Semantic Enrichment of Data through Knowledge Graph Generation
Notice bibliographique
Résumé
Abstract As the Python ecosystem grows, developers encounter a daunting range of open-source packages, often leading to analysis paralysis. A Python Pip package recommender system is proposed that employs a knowledge network and Natural language processing to make customized suggestions, addressing this problem. The study introduces a system to simplify package selection and enhance developer efficiency.The approach relies on a detailed knowledge tree that explains Python package-function relationships. Important features and dependencies are identified by carefully evaluating package information and documentation, resulting in a well-structured network of package interdependencies. The recommendation engine relies on this graph to personalize suggestions based on the user's project needs.The system employs multiple methods to analyze user input and identify project needs using natural language processing. Entity recognition and sentiment analysis are used to understand user intent and goals to make better suggestions. The NLP component dynamically integrates user feedback to improve suggestions and enhance system precision.The system utilizes Python modules like NetworkX for knowledge graph creation, Natural Language Toolkit(NLTK) for NLP processing, and Fast for the web interface. A user-friendly web application allows developers to enter project details and receive Python application recommendations.To evaluate the system's effectiveness, automated testing and user feedback are used. Recommendations are compared against carefully curated package lists for various project categories to assess their accuracy. User happiness is measured by providing extensive input on usability, suggestion quality, and user experience.Finally, the Python Pip package recommender system offers a novel way to enhance developer productivity. Developers are provided with an efficient and accurate package discovery and selection mechanism using a knowledge graph and NLP. The aim is to improve software quality and facilitate Python package adoption with the system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».