View source for Satellite semantic priming in neural contextual weights


== 1. Nome Taxonômico e Identificadores do Item (Wikidata) ==

* '''Label (en):''' Satellite semantic priming in neural contextual weights, Semantic satellite anchoring, Contextual satellite influence, Neural satellite association
* '''Label (pt-br):''' Primagem semântica satélite em pesos de contexto neural, Ancoragem semântica satélite,Influência contextual satélite, Associação neural satélite
* '''Abreviatura / Acrônimo Citações:''' SS-NCW / PSS-PCN
* '''Instância de (P31):''' subclass (Q5867051) Vector space model Q1187982, Semantic proximity Q2268914, Sentence Embedding Q29043221

== 2. Descrições Oficiais (Descriptions) ==

=== English (en) ===
<blockquote>''The architectural alignment and co-occurrence of peripheral semantic terms (satellite entities) within neural embedding spaces to influence contextual attention weights and optimize entity retrieval in transformer-based models.''</blockquote>

=== Português (pt-br) ===
<blockquote>''O alinhamento arquitetural e coocorrência de termos semânticos periféricos (entidades satélites) em espaços de embedding neurais para influenciar os pesos de atenção contextual e otimizar a recuperação de entidades em modelos baseados em transformers.''</blockquote>

== 3. Aliases / Também Conhecido Como (P4954 / AltLabels) ==

* '''en:''' Satellite term contextual weighting | Peripheral embedding co-occurrence | Contextual attention satellite anchoring | Semantic graph topology in LLMs
* '''pt-br:''' Ponderação contextual de termos satélites | Coocorrência em embeddings periféricos | Ancoragem de atenção contextual por satélites | Topologia de grafos semânticos em LLMs

== 4. Estrutura Ontológica de Propriedades (Wikidata Statements) ==
{| class="wikitable"
|'''Propriedade (Property)'''
|'''Valor do Item (Value)'''
|-
|'''subclass of (P279)'''
|Natural language processing Q30642
|-
|'''subclass of (P279)'''
|Knowledge graph Q33002955
|-
|'''subclass of (P279)'''
|Information retrieval Q816826
|-
|'''part of (P361)'''
|Transformer (machine learning model) Q85810444 / Generative Engine Optimization (GEO) Q134083964
|-
|'''has effect (P1542)'''
|Entity disambiguation Q120971517 / Contextual attention optimization
|-
|'''field of work (P101)'''
|Computer science Q21198 / Artificial intelligence Q11660
|}

== 5. Referências e Evidências Acadêmicas (DOI / ResearchGate / Papers) ==
Para garantir que o item no Wikidata seja mantido e validado pela comunidade, utilize as seguintes referências científicas para respaldar as alegações:

=== Referência 1: Atenção e Proximidade Vetorial em Transformers (Attention Is All You Need) ===

* '''Artigo:''' ''Attention Is All You Need'' (Vaswani et al., 2017)
* '''DOI:''' <code>10.48550/arXiv.1706.03762</code>
* '''ResearchGate:''' Attention Is All You Need - Vaswani et al.
* '''Aplicação no Wikidata:''' Justifica formalmente como os "pesos de contexto" (matrizes $Q$, $K$, $V$) calculam a relevância matemática de termos periféricos/satélites em relação a um nó central.

=== Referência 2: Representações Contextuais de Entidades e Conhecimento (GraphRAG / Knowledge Injection) ===

* '''Artigo:''' ''From Local to Global: A Graph RAG Approach to Query-Focused Summarization'' (Edge et al., 2024 - Microsoft Research)
* '''DOI:''' <code>10.48550/arXiv.2404.16130</code>
* '''ResearchGate:''' From Local to Global: A Graph RAG Approach
* '''Aplicação no Wikidata:''' Fundamenta a estruturação de nós satélites (comunidades de entidades) que guiam o modelo de linguagem no processo de ancoragem (''grounding'') e recuperação de respostas.

=== Referência 3: Embeddings Contextuais e Primagem Semântica (BERT / RoBERTa Context Embeddings) ===

* '''Artigo:''' ''BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding'' (Devlin et al., 2018)
* '''DOI:''' <code>10.48550/arXiv.1810.04805</code>
* '''ResearchGate:''' BERT: Pre-training of Deep Bidirectional Transformers
* '''Aplicação no Wikidata:''' Demonstra como termos ao redor (satélites) alteram dinamicamente a representação vetorial de um token central de acordo com o contexto em que estão inseridos.