Uma abordagem para reconhecimento de entidades nomeadas usando conhecimento externo
| Ano de defesa: | 2020 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Palavras-chave em Inglês: | |
| Link de acesso: | http://hdl.handle.net/11449/194224 |
Resumo: | Nas diferentes áreas do conhecimento os dados textuais são importantes fontes de informação. Neste contexto, os métodos para Extração de Informação têm sido desenvolvidos para a identificação e estruturação de informações presentes em documentos textuais. Como subárea da Extração de Informação há o Reconhecimento de Entidades Nomeadas, que consiste em definir métodos para identificar Entidades Nomeadas, tais como Pessoa, Local, Data, entre outras, em textos. Recentemente esses métodos fazem uso de técnicas provenientes do Processamento de Linguagem Natural e de Aprendizado de Máquina. O objetivo do presente trabalho é propor uma metodologia para Reconhecimento de Entidades Nomeadas considerando os seguintes aspectos: identificação e implementação de métodos para representação de características gramaticais; identificação e implementação das novas abordagens que utilizam técnicas recentes de Aprendizado de Máquina, como BiLSTM, BiGRU e CRF; e avaliar, de maneira experimental, a integração de fontes externas de conhecimento, na forma de Gazetteers e Grafo de Conhecimento, vindos da Freebase e YAGO. O protocolo de avaliação experimental foi composto pela definição de quatro configurações de redes neurais, duas destas fazendo uso de conhecimento externo, e sua aplicação em cinco datasets com diferentes características. Nos experimentos realizados, houve ganho de F1-Score em 18 dos 40 casos onde foi utilizado conhecimento externo, chegando a um ganho de até 1,3%. Além do fato de não ter apresentado ganho em grande parte dos casos, a maioria dos ganhos foi inferior a 0,5% no F1-score. Os resultados experimentais dos métodos utilizados nos datasets escolhidos evidenciam que as estratégias empregadas para a integração do conhecimento externo agregaram baixos ganhos aos modelos, como mostrado pelas métricas Precisão, Abrangência e F1-Score. Portanto, se a fonte de conhecimento não provê informações relevantes ao domínio da tarefa, e se a maneira de agregação do conhecimento não capta o conteúdo relevante presente no mesmo, esta adição de conhecimento externo não necessariamente é benéfica à metodologia. |
| id |
UNSP_7dd1f3f62a54362a7d299be99689bd1f |
|---|---|
| oai_identifier_str |
oai:repositorio.unesp.br:11449/194224 |
| network_acronym_str |
UNSP |
| network_name_str |
Repositório Institucional da UNESP |
| repository_id_str |
|
| spelling |
Privatto, Pedro Ivo Monteiro [UNESP]Universidade Estadual Paulista (Unesp)Guilherme, Ivan Rizzo [UNESP]2020-11-02T17:08:22Z2020-11-02T17:08:22Z2020-09-29http://hdl.handle.net/11449/19422433004153073P2Nas diferentes áreas do conhecimento os dados textuais são importantes fontes de informação. Neste contexto, os métodos para Extração de Informação têm sido desenvolvidos para a identificação e estruturação de informações presentes em documentos textuais. Como subárea da Extração de Informação há o Reconhecimento de Entidades Nomeadas, que consiste em definir métodos para identificar Entidades Nomeadas, tais como Pessoa, Local, Data, entre outras, em textos. Recentemente esses métodos fazem uso de técnicas provenientes do Processamento de Linguagem Natural e de Aprendizado de Máquina. O objetivo do presente trabalho é propor uma metodologia para Reconhecimento de Entidades Nomeadas considerando os seguintes aspectos: identificação e implementação de métodos para representação de características gramaticais; identificação e implementação das novas abordagens que utilizam técnicas recentes de Aprendizado de Máquina, como BiLSTM, BiGRU e CRF; e avaliar, de maneira experimental, a integração de fontes externas de conhecimento, na forma de Gazetteers e Grafo de Conhecimento, vindos da Freebase e YAGO. O protocolo de avaliação experimental foi composto pela definição de quatro configurações de redes neurais, duas destas fazendo uso de conhecimento externo, e sua aplicação em cinco datasets com diferentes características. Nos experimentos realizados, houve ganho de F1-Score em 18 dos 40 casos onde foi utilizado conhecimento externo, chegando a um ganho de até 1,3%. Além do fato de não ter apresentado ganho em grande parte dos casos, a maioria dos ganhos foi inferior a 0,5% no F1-score. Os resultados experimentais dos métodos utilizados nos datasets escolhidos evidenciam que as estratégias empregadas para a integração do conhecimento externo agregaram baixos ganhos aos modelos, como mostrado pelas métricas Precisão, Abrangência e F1-Score. Portanto, se a fonte de conhecimento não provê informações relevantes ao domínio da tarefa, e se a maneira de agregação do conhecimento não capta o conteúdo relevante presente no mesmo, esta adição de conhecimento externo não necessariamente é benéfica à metodologia.In different areas of knowledge textual data are important sources of information. In this context, Information Extraction methods have been developed to identify and structure information present in textual documents. As a subarea of Information Extraction there is Named Entity Recognition, which consists of using methods to identify Named Entities, such as Person, Place, Date, among others, in texts, using techniques from Natural Language Processing and Machine Learning. Recently, these methods use techniques from Natural Language Processing and Machine Learning. The purpose of this work is to propose a methodology for Named Entity Recognition considering the following aspects: identification and implementation of grammatical feature representation methods; identification and implementation of new approaches that use recent Machine Learning techniques, such as BiLSTM, BiGRU and CRF; and to evaluate, in an experimental way, the integration of external knowledge sources, in the form of Gazetteers and Knowledge Graph, coming from Freebase and YAGO. The experimental evaluation protocol was composed by four configurations of neural networks, two of them making use of external knowledge, and their application in five datasets with different characteristics. In the conducted experiments, there was a gain of F1-Score in 18 of the 40 cases where external knowledge was used, reaching a gain of up to 1.3%. In addition to the fact that there was no gain in most cases, the majority of the gains were lesser than 0.5% in F1-score. The experimental results of the methods applied to the chosen datasets show that the strategies used for the integration of external knowledge added low gains to the models, as shown by the metrics Precision, Recall and F1-Score. Therefore, if the source of knowledge does not provide relevant information to the task domain, and if the way of aggregating the external knowledge does not capture the relevant content present in it, this addition of external knowledge is not necessarily beneficial to the methodologyFundação para o Desenvolvimento da UNESP (FUNDUNESP)FUNDUNESP: 2014/00545-0porUniversidade Estadual Paulista (Unesp)Inteligência artificialProcessamento de linguagem naturalExtração de informaçãoReconhecimento de entidades nomeadasNamed entity recognitionNatural language processingInformation extractionArtificial intelligenceUma abordagem para reconhecimento de entidades nomeadas usando conhecimento externoAn approach to named entity recognition using external knowledgeinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESPCiência da Computação - IGCEComputação aplicadaInteligência ComputacionalUniversidade Estadual Paulista (UNESP), Instituto de Geociências e Ciências Exatas, Rio Claro12 meses após a data da defesaBanca públicaPublication4763ec56-704e-41e0-9685-b5bef5946febvirtual::231640-14763ec56-704e-41e0-9685-b5bef5946febvirtual::231640-1THUMBNAILprivatto_pim_me_rcla_par.pdf.jpgWritten by FormatFilter org.dspace.app.mediafilter.PDFBoxThumbnail on 2024-01-05T06:22:49Z (GMT).Generated Thumbnailimage/jpeg2545https://repositorio.unesp.br/bitstreams/b7d31004-2b2d-48e8-8de9-dfccd765a36d/download209e83dc47db50cd34b4874a3897d569MD58falseAnonymousREADprivatto_pim_me_rcla_int.pdf.jpgWritten by FormatFilter org.dspace.app.mediafilter.PDFBoxThumbnail on 2024-01-05T06:22:50Z (GMT).Generated Thumbnailimage/jpeg3170https://repositorio.unesp.br/bitstreams/cf8ad1d9-eea3-4f38-82b7-328439093bd8/download3da22df205df9c780fe8cd48d8aff6e7MD510falseAnonymousREADORIGINALprivatto_pim_me_rcla_par.pdfprivatto_pim_me_rcla_par.pdfapplication/pdf426076https://repositorio.unesp.br/bitstreams/5e1333b3-a309-483e-9036-f6ba98826ca5/downloadef68d2592bfb41fc42516b297aa69260MD55trueAnonymousREADprivatto_pim_me_rcla_int.pdfprivatto_pim_me_rcla_int.pdfapplication/pdf994240https://repositorio.unesp.br/bitstreams/4d8085d7-372b-4a6c-9373-fee80ebfa4f1/downloadb9ba0dbdc51d7103b4c05a13927b2127MD56falseAnonymousREADLICENSElicense.txtWritten by org.dspace.content.LicenseUtilstext/plain; charset=utf-83051https://repositorio.unesp.br/bitstreams/1f0290b2-1477-4734-8b9d-79fb950c9c23/download1e379640c1b9663126849c8d0f4b6d5aMD54falseAnonymousREADTEXTprivatto_pim_me_rcla_par.pdf.txtWritten by FormatFilter org.dspace.app.mediafilter.TikaTextExtractionFilter on 2024-01-05T06:22:49Z (GMT).Extracted texttext/plain57225https://repositorio.unesp.br/bitstreams/201d8e0d-70f4-40ee-8764-4447700ced1c/download530791dc19ad19912e7177dff665f6c2MD57falseAnonymousREADprivatto_pim_me_rcla_int.pdf.txtWritten by FormatFilter org.dspace.app.mediafilter.TikaTextExtractionFilter on 2024-01-05T06:22:49Z (GMT).Extracted texttext/plain103502https://repositorio.unesp.br/bitstreams/b02e8d1e-86f9-4b9a-93e5-11dbfa803e11/download96f8be76f1e2abdfae16020f77c0be7bMD59falseAnonymousREAD11449/1942242026-04-16T05:10:19.356366Zopen.accessoai:repositorio.unesp.br:11449/194224https://repositorio.unesp.brRepositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462026-04-16T05:10:19Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)falseTElDRU7Dh0EgUEFSQSBBIERJU1BPTklCSUxJWkHDh8ODTyBPTkxJTkUgREUgRElTU0VSVEHDh8ODTyBPVSBERSBURVNFIFNVQk1FVElEQSBBTyBSRVBPU0lUw5NSSU8gSU5TVElUVUNJT05BTCBVTkVTUA0KDQoxLiBBbyBjb25jb3JkYXIgY29tIGVzdGEgbGljZW7Dp2EsIGV1LCBQZWRybyBJdm8gTW9udGVpcm8gUHJpdmF0dG8gKHBlZHJvLnByaXZhdHRvQHVuZXNwLmJyKSwgcmVzcG9uc8OhdmVsIHBlbG8gdHJhYmFsaG8g4oCcVW1hIEFib3JkYWdlbSBwYXJhIFJlY29uaGVjaW1lbnRvIGRlIEVudGlkYWRlcyBOb21lYWRhcyB1c2FuZG8gQ29uaGVjaW1lbnRvIEV4dGVybm/igJ0gcG9yIG1pbSBzdWJtZXRpZG8gYW8gUmVwb3NpdMOzcmlvIEluc3RpdHVjaW9uYWwgVU5FU1AgZSBkZXNlbnZvbHZpZG8gbm8gw6JtYml0byBkZSB1bSBkb3MgcHJvZ3JhbWFzIGRlIHDDs3MtZ3JhZHVhw6fDo28gZGEgVW5pdmVyc2lkYWRlIEVzdGFkdWFsIFBhdWxpc3RhIOKAnErDumxpbyBkZSBNZXNxdWl0YSBGaWxob+KAnSAoVU5FU1ApOg0KDQphKSBhdGVzdG8gc2VyIG8gcmVzcG9uc8OhdmVsIGxlZ2FsIHBlbG8gdHJhYmFsaG8gc3VibWV0aWRvIGUgcGVsb3MgZGFkb3MgaW5mb3JtYWRvcyBkdXJhbnRlIGEgc3VibWlzc8OjbzsNCg0KYikgYXRlc3RvIHF1ZSBvIHRyYWJhbGhvIHN1Ym1ldGlkbyBuw6NvIGluZnJpbmdlIGxlaXMgZGUgZGlyZWl0byBhdXRvcmFsOw0KDQpjKSBhdGVzdG8gcXVlIG8gdHJhYmFsaG8gc3VibWV0aWRvIG7Do28gY29udMOpbSBxdWFscXVlciBpbmZvcm1hw6fDo28gY29uZmlkZW5jaWFsIG1pbmhhIG91IGRlIHRlcmNlaXJvczsNCg0KZCkgYXRlc3RvIHF1ZSwgc2Ugb2J0aXZlIGZpbmFuY2lhbWVudG8gcGFyYSBvIGRlc2Vudm9sdmltZW50byBkbyB0cmFiYWxobyBzdWJtZXRpZG8sIGluZm9ybWVpIGEgYWfDqm5jaWEgZGUgZm9tZW50byBlIG8gbsO6bWVybyBkbyBmaW5hbmNpYW1lbnRvIGR1cmFudGUgYSBzdWJtaXNzw6NvOw0KDQplKSBhdGVzdG8gcXVlIGEgdmVyc8OjbyBkbyB0cmFiYWxobyBwcmVzZW50ZSBubyBhcnF1aXZvIHN1Ym1ldGlkbyDDqSBhIHZlcnPDo28gZGVmaW5pdGl2YSBxdWUgaW5jbHVpIGFzIGFsdGVyYcOnw7VlcyBkZWNvcnJlbnRlcyBkYSBkZWZlc2EsIHNlIGhvdXZlIGFsZ3VtYTsNCg0KZikgYXRlc3RvIHF1ZSBhIHZlcnPDo28gZG8gdHJhYmFsaG8gcHJlc2VudGUgbm8gYXJxdWl2byBzdWJtZXRpZG8gc2Vyw6EgYSBtZXNtYSB2ZXJzw6NvIGltcHJlc3NhIGVudHJlZ3VlIG5hIFNlw6fDo28gVMOpY25pY2EgZGUgUMOzcy1HcmFkdWHDp8OjbyBjb20gYSBxdWFsIG8gcHJvZ3JhbWEgZGUgcMOzcy1ncmFkdWHDp8OjbyBlbSBxdWUgbyB0cmFiYWxobyBmb2kgZGVzZW52b2x2aWRvIGVzdMOhIHZpbmN1bGFkbzsNCg0KZykgY29uY2VkbyDDoCBVbml2ZXJzaWRhZGUgRXN0YWR1YWwgUGF1bGlzdGEg4oCcSsO6bGlvIGRlIE1lc3F1aXRhIEZpbGhv4oCdIG8gZGlyZWl0byBuw6NvIGV4Y2x1c2l2byBkZSBkaXNwb25pYmlsaXphciwgZGUgY29waWFyIGUgZGUgZGlzdHJpYnVpciwgcG9yIG1laW8gZGUgc2V1cyBhbWJpZW50ZXMgaW5zdGl0dWNpb25haXMgZGUgYWNlc3NvIHJlc3RyaXRvIG91IGFiZXJ0byBhbyBww7pibGljbyBnZXJhbCwgc2VtIHJlc3NhcmNpbWVudG8gZGUgZGlyZWl0b3MgYXV0b3JhaXMsIG8gdHJhYmFsaG8gc3VibWV0aWRvIGUgb3MgZGFkb3MgaW5mb3JtYWRvcyBkdXJhbnRlIGEgc3VibWlzc8OjbzsNCg0KaCkgY29uY2VkbyDDoCBVbml2ZXJzaWRhZGUgRXN0YWR1YWwgUGF1bGlzdGEg4oCcSsO6bGlvIGRlIE1lc3F1aXRhIEZpbGhv4oCdIG8gZGlyZWl0byBuw6NvIGV4Y2x1c2l2byBkZSByZWFsaXphciBxdWFpc3F1ZXIgYWx0ZXJhw6fDtWVzIG5hIG3DrWRpYSBvdSBubyBmb3JtYXRvIGRvIGFycXVpdm8gcGFyYSBwcm9ww7NzaXRvcyBkZSBwcmVzZXJ2YcOnw6NvIGRpZ2l0YWwsIGRlIGFjZXNzaWJpbGlkYWRlIGUgZGUgbWVsaG9yIGlkZW50aWZpY2HDp8OjbyBkbyB0cmFiYWxobyBzdWJtZXRpZG8sIGRlc2RlIHF1ZSBuw6NvIHNlamEgYWx0ZXJhZG8gc2V1IGNvbnRlw7pkbyBpbnRlbGVjdHVhbC4NCg0KMi4gQSBVbml2ZXJzaWRhZGUgRXN0YWR1YWwgUGF1bGlzdGEg4oCcSsO6bGlvIGRlIE1lc3F1aXRhIEZpbGhv4oCdIHNlIGNvbXByb21ldGUgYToNCg0KYSkgZm9ybmVjZXIgdW1hIGlkZW50aWZpY2HDp8OjbyBjbGFyYSBkbyBub21lIGRvIGF1dG9yIGR1cmFudGUgYSBkaXNwb25pYmlsaXphw6fDo28sIGVtIGFtYmllbnRlIGluc3RpdHVjaW9uYWwsIGRvIHRyYWJhbGhvIHN1Ym1ldGlkbzsNCg0KYikgc2UgbmVjZXNzw6FyaW8sIHJlYWxpemFyIGFsdGVyYcOnw7VlcyBub3MgZGFkb3MgaW5mb3JtYWRvcyBkdXJhbnRlIGEgc3VibWlzc8OjbyBwYXJhIHF1ZSBtZWxob3IgcmVwcmVzZW50ZW0gZSBpZGVudGlmaXF1ZW0gbyB0cmFiYWxobyBzZW0sIG5vIGVudGFudG8sIGNvbXByb21ldGVyIHNldSBjb250ZcO6ZG8gaW50ZWxlY3R1YWw7DQoNCmMpIHJlc3BlaXRhciBhIGRlY2lzw6NvIGRvIGF1dG9yIHNvYnJlIGEgdmVyc8OjbyBxdWUgZGV2ZXLDoSBzZXIgZGlzcG9uaWJpbGl6YWRhIGltZWRpYXRhbWVudGUgYXDDs3MgbyBhY2VpdGUgZGEgc3VibWlzc8Ojbywgc2VqYSBlbGEgYSB2ZXJzw6NvIGludGVncmFsIG91IHBhcmNpYWw7DQoNCmQpIHJlc3BlaXRhciBvIHByYXpvIGRlZmluaWRvIHBlbG8gYXV0b3IgcGFyYSBhIGRpc3BvbmliaWxpemHDp8OjbyBkbyBjb250ZcO6ZG8gaW50ZWdyYWwsIGNhc28gbyBhdXRvciB0ZW5oYSBvcHRhZG8gcGVsYSBkaXNwb25pYmlsaXphw6fDo28gaW1lZGlhdGEgYXBlbmFzIGRvIGNvbnRlw7pkbyBwYXJjaWFsIGUgbyBwcmF6byBkZWZpbmlkbyBlc3RlamEgZGVudHJvIGRlIDIgKGRvaXMpIGFub3MgYXDDs3MgYSBkZWZlc2E7DQoNCmUpIG7Do28gcmVhbGl6YXIgYWx0ZXJhw6fDtWVzIG5vIGFycXVpdm8gZW52aWFkbyBhbMOpbSBkYXF1ZWxhcyBkZXNjcml0YXMgbmVzdGEgbGljZW7Dp2EuDQoNClPDo28gUGF1bG8sIFRodSBPY3QgMjkgMDk6MTI6MzkgQlJUIDIwMjAu |
| dc.title.pt.fl_str_mv |
Uma abordagem para reconhecimento de entidades nomeadas usando conhecimento externo |
| dc.title.alternative.en.fl_str_mv |
An approach to named entity recognition using external knowledge |
| title |
Uma abordagem para reconhecimento de entidades nomeadas usando conhecimento externo |
| spellingShingle |
Uma abordagem para reconhecimento de entidades nomeadas usando conhecimento externo Privatto, Pedro Ivo Monteiro [UNESP] Inteligência artificial Processamento de linguagem natural Extração de informação Reconhecimento de entidades nomeadas Named entity recognition Natural language processing Information extraction Artificial intelligence |
| title_short |
Uma abordagem para reconhecimento de entidades nomeadas usando conhecimento externo |
| title_full |
Uma abordagem para reconhecimento de entidades nomeadas usando conhecimento externo |
| title_fullStr |
Uma abordagem para reconhecimento de entidades nomeadas usando conhecimento externo |
| title_full_unstemmed |
Uma abordagem para reconhecimento de entidades nomeadas usando conhecimento externo |
| title_sort |
Uma abordagem para reconhecimento de entidades nomeadas usando conhecimento externo |
| author |
Privatto, Pedro Ivo Monteiro [UNESP] |
| author_facet |
Privatto, Pedro Ivo Monteiro [UNESP] |
| author_role |
author |
| dc.contributor.institution.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| dc.contributor.author.fl_str_mv |
Privatto, Pedro Ivo Monteiro [UNESP] |
| dc.contributor.advisor1.fl_str_mv |
Guilherme, Ivan Rizzo [UNESP] |
| contributor_str_mv |
Guilherme, Ivan Rizzo [UNESP] |
| dc.subject.por.fl_str_mv |
Inteligência artificial Processamento de linguagem natural Extração de informação Reconhecimento de entidades nomeadas |
| topic |
Inteligência artificial Processamento de linguagem natural Extração de informação Reconhecimento de entidades nomeadas Named entity recognition Natural language processing Information extraction Artificial intelligence |
| dc.subject.eng.fl_str_mv |
Named entity recognition Natural language processing Information extraction Artificial intelligence |
| description |
Nas diferentes áreas do conhecimento os dados textuais são importantes fontes de informação. Neste contexto, os métodos para Extração de Informação têm sido desenvolvidos para a identificação e estruturação de informações presentes em documentos textuais. Como subárea da Extração de Informação há o Reconhecimento de Entidades Nomeadas, que consiste em definir métodos para identificar Entidades Nomeadas, tais como Pessoa, Local, Data, entre outras, em textos. Recentemente esses métodos fazem uso de técnicas provenientes do Processamento de Linguagem Natural e de Aprendizado de Máquina. O objetivo do presente trabalho é propor uma metodologia para Reconhecimento de Entidades Nomeadas considerando os seguintes aspectos: identificação e implementação de métodos para representação de características gramaticais; identificação e implementação das novas abordagens que utilizam técnicas recentes de Aprendizado de Máquina, como BiLSTM, BiGRU e CRF; e avaliar, de maneira experimental, a integração de fontes externas de conhecimento, na forma de Gazetteers e Grafo de Conhecimento, vindos da Freebase e YAGO. O protocolo de avaliação experimental foi composto pela definição de quatro configurações de redes neurais, duas destas fazendo uso de conhecimento externo, e sua aplicação em cinco datasets com diferentes características. Nos experimentos realizados, houve ganho de F1-Score em 18 dos 40 casos onde foi utilizado conhecimento externo, chegando a um ganho de até 1,3%. Além do fato de não ter apresentado ganho em grande parte dos casos, a maioria dos ganhos foi inferior a 0,5% no F1-score. Os resultados experimentais dos métodos utilizados nos datasets escolhidos evidenciam que as estratégias empregadas para a integração do conhecimento externo agregaram baixos ganhos aos modelos, como mostrado pelas métricas Precisão, Abrangência e F1-Score. Portanto, se a fonte de conhecimento não provê informações relevantes ao domínio da tarefa, e se a maneira de agregação do conhecimento não capta o conteúdo relevante presente no mesmo, esta adição de conhecimento externo não necessariamente é benéfica à metodologia. |
| publishDate |
2020 |
| dc.date.accessioned.fl_str_mv |
2020-11-02T17:08:22Z |
| dc.date.available.fl_str_mv |
2020-11-02T17:08:22Z |
| dc.date.issued.fl_str_mv |
2020-09-29 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11449/194224 |
| dc.identifier.capes.none.fl_str_mv |
33004153073P2 |
| url |
http://hdl.handle.net/11449/194224 |
| identifier_str_mv |
33004153073P2 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
| instname_str |
Universidade Estadual Paulista (UNESP) |
| instacron_str |
UNESP |
| institution |
UNESP |
| reponame_str |
Repositório Institucional da UNESP |
| collection |
Repositório Institucional da UNESP |
| bitstream.url.fl_str_mv |
https://repositorio.unesp.br/bitstreams/b7d31004-2b2d-48e8-8de9-dfccd765a36d/download https://repositorio.unesp.br/bitstreams/cf8ad1d9-eea3-4f38-82b7-328439093bd8/download https://repositorio.unesp.br/bitstreams/5e1333b3-a309-483e-9036-f6ba98826ca5/download https://repositorio.unesp.br/bitstreams/4d8085d7-372b-4a6c-9373-fee80ebfa4f1/download https://repositorio.unesp.br/bitstreams/1f0290b2-1477-4734-8b9d-79fb950c9c23/download https://repositorio.unesp.br/bitstreams/201d8e0d-70f4-40ee-8764-4447700ced1c/download https://repositorio.unesp.br/bitstreams/b02e8d1e-86f9-4b9a-93e5-11dbfa803e11/download |
| bitstream.checksum.fl_str_mv |
209e83dc47db50cd34b4874a3897d569 3da22df205df9c780fe8cd48d8aff6e7 ef68d2592bfb41fc42516b297aa69260 b9ba0dbdc51d7103b4c05a13927b2127 1e379640c1b9663126849c8d0f4b6d5a 530791dc19ad19912e7177dff665f6c2 96f8be76f1e2abdfae16020f77c0be7b |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
| repository.mail.fl_str_mv |
repositoriounesp@unesp.br |
| _version_ |
1878344080735338496 |