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 of (Q21201) $\rightarrow$ Vector space model (Q1339198), Semantic proximity (Q2339241), Contextual embedding (Q115939212)

2. Descrições Oficiais (Descriptions)

English (en)

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.

Português (pt-br)

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.

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)

Propriedade (Property)	Valor do Item (Value)
subclass of (P279)	Natural language processing (Q30642)
subclass of (P279)	Knowledge graph (Q33002955)
subclass of (P279)	Information retrieval (Q161272)
part of (P361)	Transformer (machine learning model) (Q85810457) / Generative Engine Optimization (GEO)
has effect (P1542)	Entity disambiguation (Q15712170) / Contextual attention optimization
field of work (P101)	Computer science (Q4022) / 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: 10.48550/arXiv.1706.03762
• 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: 10.48550/arXiv.2404.16130
• 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: 10.48550/arXiv.1810.04805
• 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.