Implementação de agentes cognitivos baseados em grafos de conhecimento
uma abordagem para representação e inferência de informações
DOI:
https://doi.org/10.47385/tudoeciencia.2567.2025Palavras-chave:
Agentes cognitivos. Grafos de conhecimento. Representação do conhecimento. Inferência semântica. Inteligência artificial.Resumo
Este trabalho apresenta uma implementação de agente cognitivo fundamentado em grafos de conhecimento direcionados para representação e inferência de informações semânticas. O sistema proposto utiliza a biblioteca NetworkX em Python para construir estruturas de conhecimento que permitem consultas relacionais complexas através de caminhos no grafo. A metodologia envolveu o desenvolvimento de uma classe AgenteCognitivo capaz de adicionar conhecimento na forma de triplas (entidade-relação-entidade), realizar consultas sobre relações existentes entre entidades e visualizar a estrutura do conhecimento. Os resultados demonstraram a eficácia do sistema em estabelecer conexões indiretas entre conceitos, como evidenciado pela consulta que relacionou "Cachorro" a "Patas" através do caminho intermediário "Animal". A implementação mostrou-se promissora para aplicações em sistemas de inteligência artificial que requerem raciocínio sobre conhecimento estruturado, oferecendo um ponto de partida para o desenvolvimento de agentes mais sofisticados capazes de inferência semântica.
Downloads
Referências
BARABÁSI, A. L. Network Science. Cambridge: Cambridge University Press, 2016.
BOLLACKER, K.; EVANS, C.; PARITOSH, P.; STURGE, T.; TAYLOR, J. Freebase: a collaboratively created graph database for structuring human knowledge. In: ACM SIGMOD International Conference on Management of Data. New York: ACM, 2008. p. 1247-1250.
BRACHMAN, R. J.; LEVESQUE, H. J. Knowledge Representation and Reasoning. San Francisco: Morgan Kaufmann, 2004.
CHEN, X.; JIA, S.; XIANG, Y. A review: Knowledge reasoning over knowledge graph. Expert Systems with Applications, v. 141, p. 112948, 2020.
CORMEN, T. H.; LEISERSON, C. E.; RIVEST, R. L.; STEIN, C. Introduction to Algorithms. 3. ed. Cambridge: MIT Press, 2009.
SEDGEWICK, R.; WAYNE, K. Algorithms. 4. ed. Boston: Addison-Wesley, 2011.
FENSEL, D.; ŞIMŞEK, U.; ANGELE, K.; HUAMAN, E.; KÄRLE, E.; PANASIUK, O.; TOMA, I.; UMBRICH, J.; WAHLER, A. Knowledge Graphs: Methodology, Tools and Selected Use Cases. Cham: Springer, 2020.
FRUCHTERMAN, T. M.; REINGOLD, E. M. Graph drawing by force‐directed placement. Software: Practice and Experience, v. 21, n. 11, p. 1129-1164, 1991.
GRUBER, T. R. A translation approach to portable ontology specifications. Knowledge Acquisition, v. 5, n. 2, p. 199-220, 1993.
HAGBERG, A.; SWART, P.; CHULT, D. S. Exploring network structure, dynamics, and function using NetworkX. Proceedings of the 7th Python in Science Conference, p. 11-15, 2008.
HOGAN, A.; BLOMQVIST, E.; COCHEZ, M.; D'AMATO, C.; MELO, G.; GUTIERREZ, C.; KIRRANE, S.; GAYO, J. E. L.; NAVIGLI, R.; NEUMAIER, S.; NGOMO, A. N.; POLLERES, A.; RASHID, S. M.; RULA, A.; SCHMELZEISEN, L.; SEQUEDA, J.; STAAB, S.; ZIMMERMANN, A. Knowledge graphs. ACM Computing Surveys, v. 54, n. 4, p. 1-37, 2021.
JI, S.; PAN, S.; CAMBRIA, E.; MARTTINEN, P.; YU, P. S. A survey on knowledge graphs: representation, acquisition, and applications. IEEE Transactions on Neural Networks and Learning Systems, v. 33, n. 2, p. 494-514, 2021.
KLYNE, G.; CARROLL, J. J. Resource Description Framework (RDF): Concepts and Abstract Syntax. W3C Recommendation, 2004. Disponível em: https://www.w3.org/TR/rdf-concepts/. Acesso em: 20 ago. 2025.
LEHMANN, J.; ISELE, R.; JAKOB, M.; JENTZSCH, A.; KONTOKOSTAS, D.; MENDES, P. N.; HELLMANN, S.; MORSEY, M.; VAN KLEEF, P.; AUER, S.; BIZER, C. DBpedia–a large-scale, multilingual knowledge base extracted from Wikipedia. Semantic Web, v. 6, n. 2, p. 167-195, 2015.
POTAMIAS, M.; BONCHI, F.; CASTILLO, C.; GIONIS, A. Fast shortest path distance estimation in large networks. In: ACM International Conference on Information and Knowledge Management. New York: ACM, 2009. p. 867-876.
RUSSELL, S. J.; NORVIG, P. Artificial Intelligence: A Modern Approach. 4. ed. Hoboken: Pearson, 2021.
WANG, Q.; MAO, Z.; WANG, B.; GUO, L. Knowledge graph embedding: A survey of approaches and applications. IEEE Transactions on Knowledge and Data Engineering, v. 29, n. 12, p. 2724-2743, 2017.
WOOLDRIDGE, M. An Introduction to MultiAgent Systems. 2. ed. Chichester: John Wiley & Sons, 2009.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
