RÉALISATION D’UN MODÈLE DE FILTRAGE DE DONNÉES

UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL POLLA DE NDJAMPA Fộlix-Bazin RẫALISATION DUN MODẩLE DE FILTRAGE DE DONNẫES THIT LP MT Mễ HèNH LC D LIU MEMOIRE DE FIN DETUDES DU MASTER INFORMATIQUE HANOI 2015 ATTESTATION SUR LHONNEUR Jatteste sur lhonneur que ce mộmoire a ộtộ rộalisộ par moi-mờme et que les donnộes et les rộsultats qui y sont prộsentộs sont exacts et nont jamais ộtộ publiộs ailleurs La source des informations citộes dans ce mộmoire a ộtộ bien prộcisộe LI CAM OAN Tụi cam oan õy l cụng trỡnh nghiờn cu ca riờng tụi Cỏc s liu, kt qu nờu Lun l trung thc v cha tng c cụng b bt k cụng trỡnh no khỏc Cỏc thụng tin trớch dn Lun ó c ch rừ ngun gc Signature de lộtudiant POLLA DE NDJAMPA Fộlix-Bazin Table des matiốres iii Remerciements v Rộsumộ vi Abstract vii Liste des figures viii Liste des tableaux ix Introduction Chapitre Synthốse bibliographique Contexte : 1.1 Langages de reprộsentation des connaissances 1.1.1 Graphe conceptuel 1.1.2 Langage du Web Sộmantique 1.1.3 Tableau comparatif des GC et OWL2 1.2 Lapprentissage automatique 1.2.1 Gộnộralitộs sur la programmation logique inductive (PLI) 1.2.2 Apprentissage sur des ontologies (OWL) 1.2.2.1 DL-Foil 1.2.2.2 DL-Learner 10 1.2.2.3 YINYANG (Yet another INduction Yields to ANother Generalization) 12 1.2.2.4 Tableau comparatif 13 Conclusion 14 Chapitre - Apports 15 Approche mộthodologique 15 2.1 Etape de gộnộration du modốle de situation 16 2.2 ẫtape1 : Modộlisation de la base de connaissance 17 2.3 ẫtape : Extraction dexemples positifs 18 2.4 ẫtape : Apprentissage 19 2.4.1 Dộfinition de quelques notions 21 2.4.2 Dộfinition de lopộrateur de raffinement 22 2.4.3 Propriộtộs de lopộrateur de raffinement 24 2.4.4 Preuve des propriộtộs de lopộrateur de raffinement 25 2.4.5 Algorithme dobtention de modốles 26 Conclusion 28 Chapitre 29 Expộrimentation et analyses des rộsultats 29 3.1 Prộsentation des cas dộtude 29 3.1.1 Scộnario d'apprentissage 29 3.1.2 Les paramốtres dexpộrimentations 30 3.1.3 Critốres dộvaluation 31 3.2 Rộsultats d'expộrimentations et interprộtations 31 3.2.1 Rộsultat du scộnario 32 3.2.2 Interprộtations des rộsultats du scộnario1 33 3.2.3 Rộsultat du scộnario 34 3.2.4 Interprộtations des rộsultats du scộnario 36 Conclusion 38 Perspectives 39 Rộfộrences 41 ANNEXES A : Prộsentation de tous les modốles de situation du scộnario 44 ANNEXES B : Opộrateur de DL learner 47 iv Nous tenons saisir cette occasion pour adresser nos profonds remerciements et notre profonde reconnaissance : Đ Mme Claire LAUDY, Mme Gaởlle LORTAL et Mme Yue MA, pour leurs prộcieux conseils et leurs orientations tout au long de notre recherche Đ Tout le personnel du laboratoire LRASC de Thales Research & Technology et celui du laboratoire LRI - Equipe LaHDAK pour leur assistance sur le lieu de stage Đ Tous les professeurs de lIFI, qui ont assurộ notre formation durant ces deux derniốres annộes Đ Enfin, jadresse mes plus sincốres remerciements ma famille, qui ma toujours soutenue et encouragộe au cours de la rộalisation de ce mộmoire Je remercie les personnes qui ont, des degrộs divers, contribuộ laboutissement de ce travail v L'ộtude qui est proposộe dans ce mộmoire s'intộresse aux problốmes dacquisition et d'exploitation de bases de connaissances structurộes de grande taille, en vue d'appuyer le processus dộcisionnel dans des domaines aộronautique et aussi d'amộliorer celui de la fusion d'information qui est proposộe dans (Claire et al , 2007) Dans le cadre prộcis de nos travaux, nous sommes attachộs l'exploitation des bases de connaissance afin de dộterminer des comportements communs que prộsente un ensemble de donnộes Notre approche est divisộe en ộtapes : concevoir la base de connaissance, extraire des observations, apprendre ou infộrer des connaissances partir de ces observations et enfin gộnộrer des modốles de situation Le modốle de situation est un ensemble dinformations qui dộcrit au mieux une situation prộcise ou un ensemble dobservations en dautre terme le modốle de situation est une extraction des informations pertinentes correspondant des observations dans une base de connaissance La conception de systốme bases de connaissances capable de rộaliser les fonctions de raisonnements constitue lheure actuelle un champ de recherche en intelligence artificielle L'approche que nous avons proposộe au cours de notre stage consiste crộer et enrichir une base de connaissances structurộe reposant sur le paradigme des donnộes liộes aux formalismes du Web Sộmantique (OWL2) et aux graphes conceptuels Ensuite, un algorithme d'apprentissage fondộ sur la Programmation Logique Inductive (PLI) est proposộ pour dộterminer les informations communes et pertinentes pour un groupe de donnộes La sortie de lalgorithme est donc qualifiộe de modốles de situation Les rộsultats obtenus par notre approche sont satisfaisant au dire d'expert et en plus, lalgorithme proposộ rộussit dộterminer des modốles de situation dont la prộcision sur dautres donnộes est trốs proche de la prộcision du modốle obtenu (diffộrence de 4%) Ces rộsultats constituent une avancộe pour une proposition des modốles de situation aux utilisateurs Mais dautres amộliorations sont prendre en compte afin de raffiner les modốles de situation obtenus Comme amộliorations, on peut prendre en compte lộvolution de lontologie ou dautres ontologies On peut aussi proposer un nombre rộduit de modốles de situation afin de permettre une meilleure couverture de tous les exemples dapprentissage Mots clộs : Ontologie, programmation logique inductive, fusion d'information vi In this work, we focus on the acquisition and exploitation of large structured knowledge bases problems for supporting the decision making process in the aeronautics fields We also focus our study on the improvement of information fusion method proposed by (Claire et al., 2007) Particularly, we worked on the exploitation of the knowledge databases in order to determine the common behavior of a set of data Our proposed approach is divided into four steps: design the knowledge databases, retrieve observations, learn or infer knowledge from these comments, and finally generate situation models The situation model is a set of information that best describes a particular situation or set of observations In other words, the situation model is the extraction of relevant information that corresponds to some observations in the knowledge database The design of knowledge system that be able to perform reasoning function is a challenging field of research in artificial intelligence The aim of our proposed approach is to create and enhance a structured knowledge database that belong to the data paradigm related to the Semantic Web formalisms (OWL2) and conceptual graphs Then, we proposed a learning algorithm based on the Inductive Logic Programming (ILP) in order to determine the common information for a data group (situation model) The results of our approach are satisfying according to the expert and in addition, the proposed algorithm is able to identify situation models whose accuracy on other data is very close to the accuracy of the resulting model (difference of percents) These results represent a breakthrough for a proposal of situation models to users But other improvements are considered in order to refine the situation models obtained As improvements, we can take into account the evolution of ontology or other ontologies One can also provide a reduced number of situation models to enable better coverage Keywords: Ontology, inductive logic programming, information fusion vii Figure 1: Exemple de graphe conceptuel Figure : Rộsultats expộrimentaux de DL-Foil en termes de mesures IR standards: moyennes ộcart type [min ;max] 10 Figure 3: Architecture de DL learner 11 Figure 4: ẫtape de gộnộration de modốle de situation 16 Figure 5: Visualisation graphique de lontologie ASRS 18 Figure 6: Exemple de requờte SPARQL 19 Figure 7: Rộsultat de DL learner avec comme exemple 20 Figure 8: Opộrateur utilisộ pour le langage de l'opộrateur de raffinement 23 Figure 9: Dộfinition de l'opộrateur de raffinement 23 Figure 10: Illustration d'une recherche par raffinement d'opộrateur 24 Figure 11: Illustration de la redondance de 26 Figure 12: Exemple de requờte SPARQL correspondant au scộnario 30 Figure 13: Exemple de requờte SPARQL correspondant au scộnario 30 Figure 14: Diffộrence dexactitude entre les donnộes d'apprentissage et celle de tests (Scộnario1) 34 Figure 15: Diffộrence dexactitude entre les donnộes d'apprentissage et celle de tests (Scộnario2) 37 viii Tableau 1: Comparaison GC et OWL2 Tableau 2: Comparaison DL-learner, DL-foil et YINYANG 13 Tableau 3: Description concernant l'ontologie utilisộe pour les expộrimentations 29 Tableau 4: Paramốtres d'entrộe pour la gộnộration de modốles de situation 31 Tableau 5: Rộsultats d'apprentissage du scộnario 32 Tableau 6: Modốles de situation du scộnario1 33 Tableau 7: Rộsultats d'apprentissage du scộnario 35 Tableau 8: Modốles de situation du scộnario 36 ix Comme prộsentộ dans lalgorithme de modốle de situation, ces rộsultats sont obtenus par combinaison des concepts ộlộmentaires Toutefois en retenant des concepts les plus longs, les plus spộcifiques et dont lexactitude est supộrieure (1- pourcentage de bruit) La colonne "description" nous permet davoir en langage naturel la dộfinition du modốle de situation retournộ Modốles Intersection des concepts Descriptions exactitude hasAssessment.( hasContributingFactor.contributing Factor) isOn.( hasAircraftOperator.({AirCarrier})) hasDetector.({FlightCrew}) Incidents dont lộvaluation 70,41% mentionne un facteur de contribution de lincident et ayant eu lieu sur des avions dont lopộrateur est ô air carrier ằ et qui sont dộtectộs par un membre de lộquipage Incidents ayant eu lieu sur 71,43% isOn.( hasAircraftOperator.({AirCarrier})) des avions dont lopộrateur est ô air carrier ằ et qui sont dộtectộs par un hasDetector.({FlightCrew}) membre de lộquipage ayant eu lieu sur des avions 72,43% isOn.( hasAircraftOperator.({AirCarrier})) dont lopộrateur est ô air carrier ằ et dont le plan de isOn.( hasFlightPlan.({IFR})) vol est ô IFR ằ Tableau 6: Modốles de situation du scộnario1 3.2.2 Interprộtations des rộsultats du scộnario1 Daprốs les rộsultats du tableau 6, nous observons que malgrộ le taux de bruit qui est fixộ 30%, on obtient comme meilleur rộsultat une combinaison de seulement concepts Cela est dỷ aux informations non mentionnộes (valeurs manquantes) dans lontologie Vu la base de connaissance utilisộe, il est trốs peu probable de retrouver des modốles de situation intộressant, dont le taux de couverture des exemples se rapproche de 100% Cest la raison pour laquelle nous laissons lopộrateur la possibilitộ de faire varier le pourcentage de bruit Pour un bruit de 10%, il est difficile de dộcrire la situation avec des concepts spộcifiques Ainsi lopộrateur peut augmenter le pourcentage (30% par exemple) afin dobtenir des modốles dont linterprộtation est plus aisộe et plus significative 33 Nos rộsultats et notre approche de gộnộration de modốle de situation ont ộtộ prộsentộs aux experts du domaine aộronautique afin davoir des retours et des bases expertes pour ộvaluer le modốle Daprốs leurs dires, ils sont satisfaisants mais ils restent beaucoup dautres critốres prendre en compte pour amộliorer le modốle Nous prộsentons les amộliorations possibles en conclusion (perspective damộlioration) Pour une vộrification dexactitude des modốles, nous calculons le taux de couverture du modốle par rapport aux exemples de test Ceci dans le but de dộtecter si la situation dộcrite est la mờme pour dautre cas de donnộes La figure ci-dessous nous permet de voir que delta (diffộrence entre le taux de couverture des exemples dapprentissage et le taux de couverture des exemples tests) est au plus de 3% entre les exemples dapprentissage et les exemples-tests pour tous les trois modốles Ainsi nous pouvons dire que les modốles de situation proposộs dộcrivent quasiment le mờme nombre dexemples pour diffộrentes donnộes Exactitude (%) 78 76 74 72 70 68 66 64 62 60 exemple d'apprentissage exemple test(%) Modốle Modốle Modốle exemple d'apprentissage 70,41 71,43 72,43 exemple test(%) 73,14 70,2 71,63 Figure 14: Diffộrence dexactitude entre les donnộes d'apprentissage et celle de tests (Scộnario1) 3.2.3 Rộsultat du scộnario Nous prộsentons dabord les rộsultats dapprentissage En dautre terme il sagit des concepts ộlộmentaires pouvant faire partir du modốle de situation Et ensuite nous prộsentons les (n=3) meilleurs modốles de situation obtenus 34 N hypothốse ộlộmentaire en logique Description Prộcision hasAssessment.( hasPrimaryProblem.({Ambiguous})) Incidents dont lộvaluation mentionne le problốme primaire comme ô ambiguở ằ Incidents ayant eu lieu sur des avions dont la phase de vol est connue Incidents ayant eu lieu sur des avions dont le plan de vol est connu Incidents ayant eu lieu sur des avions dont lopộrateur est ô air carrier ằ 100,00% Incidents dont lộvaluation mentionne un facteur de contribution qui ô facteur humain ằ Incidents qui sont dộtectộs par un membre de lộquipage Incidents portộs sur des avions ayant une mission dộfinie Incidents ayant lieu sur des environnements dont les conditions de vol sont connus Incidents dộtectes au moment ô en vol ằ 70,89% isOn.( hasFlightPlan.flightPhase) isOn.( hasFlightPlan.flightPlan) isOn.( hasAircraftOperator.({AirCarrier})) hasAssessment.( hasContributingFactor.({HumanFactors})) hasDetector.({FlightCrew}) isOn.( hasMission.mission) hasEnvironment.( hasFlightCondition.fligthCondition) hasDetectionMoment.({In-flight}) 94,24% 74,68% 90,14% 81,01% 72,15% 71,09% 73,42% Tableau 7: Rộsultats d'apprentissage du scộnario Comme prộsentộ dans lalgorithme de modốle de situation, ces rộsultats sont obtenus par combinaison des concepts ộlộmentaires toute fois en retenant 35 des concepts les plus longs, les plus spộcifiques et donc lexactitude est supộrieure 1- pourcentage de bruit Modốles Intersection des hypothốses Description Incidents dont hasAssessment.( hasPrimaryProblem.({Ambiguou lộvaluation mentionne le problốme primaire s})) comme ô ambiguở ằ et isOn.( dont la phase de vol est hasFlightPlan.flightPhase) connue et dont la hasDetector.({FlightCrew}) dộtection est faite par un membre de lộquipage Incidents dont hasAssessment.( hasPrimaryProblem.({Ambiguou lộvaluation mentionne le problốme primaire s})) comme ô ambiguở ằ et isOn.( dont la phase de vol est hasFlightPlan.flightPhase) connue isOn.( hasAircraftOperator.({AirCarrier })) Incidents dont hasAssessment.( hasPrimaryProblem.({Ambiguou lộvaluation mentionne le problốme primaire s})) comme ô ambiguở ằ et hasDetector.({FlightCrew}) dont la dộtection est faite par un membre de lộquipage Prộcision 75,95% 74,68% 81,01% Tableau 8: Modốles de situation du scộnario 3.2.4 Interprộtations des rộsultats du scộnario Pour ce deuxiốme scộnario correspondant aux incidents dont le problốme primaire est ambigu, nous pouvons constater que les meilleurs modốles de situation retournộs contiennent tous le concept ộlộmentaire ô (hasAssessment.(hasPrimaryProblem.({Ambiguous})ằ qui mentionne effectivement que lensemble dexemples dapprentissage a ce concept en commun Cela est normal puisque la requờte de dộpart mentionne que le problốme primaire est ambigu Donc lalgorithme de gộnộration de modốles de 36 situation rộussit retourner en plus des ộlộments provenant de la requờte dautres informations pour mieux dộcrire les exemples De mờme quau scộnario1 les modốles de situation obtenus sont passộs sur dautres exemples dits exemples tests On constate que les modốles couvrent dautres donnộes avec des exactitudes trốs proches de celle des exemples dapprentissage La diffộrence maximale de cette exactitude est de 4% (fig.15) Cela montre que nos modốles de situation dộcrivent de la mờme faỗon des jeux de donnộes diffộrents Exactitude (%) 90 80 70 60 50 40 30 20 10 exemple d'apprentissage exemple test(%) Modốle Modốle Modốle exemple d'apprentissage 75,95 74,68 81,01 exemple test(%) 72,24 70,2 75,75 Figure 15: Diffộrence dexactitude entre les donnộes d'apprentissage et celle de tests (Scộnario2) 37 Les opộrateurs se trouvent trốs souvent confrontộs au problốme davoir des donnộes dont ils ne savent pas trop quoi faire Pour un ensemble dobservation provenant de leur base, trouver une ou des dộfinitions de concepts qui dộcrivent au mieux ces observations est le principal problốme de ces opộrateurs Nous appelons ces concepts recherchộes des modốles de situation Lộtude effectuộe au cours ce stage sinscrit dans cet ordre didộe et consiste proposer une mộthode permettant de prộsenter ce quun ensemble dobservations peut avoir en commun Ce modốle sera utilisộ comme paramốtre dentrộe pour le processus de fusion dinformation et aussi utilisộ par des experts pour des prises de dộcision Lapproche proposộe pour lobtention de ce dit modốle est dans un premier temps de rộcupộrer le besoin de lopộrateur la transcrire en requờte Sparql Ensuite, les rộsultats de la requờte sont utilisộs comme exemples positifs pour faire de lapprentissage Lapprentissage retourne juste des concepts dit "ộlộmentaires" Pour obtenir les modốles de situation, on recherche des concepts de longueur maximale contenant le plus dinformations ou des concepts spộcifiques Pour atteindre notre objectif, nous nous somme fondộ sur un systốme dapprentissage existant (DL learner ) que nous avons optimisộ en redộfinissant la mộthode de raffinement dopộrateur afin de trouver seulement des concepts ộlộmentaires Nous faisons enfin une fusion de ces concepts (intersections) pour trouver des concepts plus complexes Les questions qui nous viennent en esprit sont celles de savoir si les modốles obtenus reprộsentent une interprộtation logique pour les experts du domaine ? Quelles autres critốres doit-on considộrer afin damộliorer et ộvaluer efficacement lapproche ? Nos premiers rộsultats ont ộtộ validộs par les experts du domaine et dautres jeux de test dont les rộsultats sont dộj connus et traitộs la main nous ont ộtộ proposộs Mais ces jeux de donnộes concernent uniquement les donnộes en langue naturelles Or pour ce stage, on ne traite pas du langage naturel et donc nous navons pas eu faire plus dexpộrimentations 38 Daprốs les rộsultats obtenus, les modốles comportent peu de concepts ộlộmentaires (2 4) Cela est dỷ la base qui est peu peuplộe Etant donnộ que nous avons deux bases (base ASRS et base de maintenance davion) qui proviennent toutes les deux dun mờme domaine, on pourra dabord proposer une approche pour fusionner ces deux bases Plus la base est peuplộe plus les concepts y figurant peuvent devenir moins intộressants pour appartenir un modốle de situation Par exemple, pour le scộnario des avions ayant pour problốme primaire ambigu, si le rộsultat du modốle de situation comprend ôla couleur est rouge ằ, la couleur na rien voir avec le problốme dun avion Donc pour raffiner nos rộsultats, nous devons dộfinir une mộthode de sộlection des caractộristiques pertinentes Cette mộthode devra permettre dộliminer les facteurs sans influences ou peu influents, les facteurs redondants et aussi, elle devra permettre de faire des apprentissages moins couteux et fiables (Meilleure comprộhensibilitộ de lhypothốse et Meilleure performance en classification) ẫtant donnộ quil est presque impossible davoir un modốle couvrant tous les exemples dapprentissage et aussi que dans notre approche, on peut avoir un exemple ne faisant partie daucun modốles de situation gộnộrộs, alors une autre approche serait de trouver un nombre rộduit de groupes de donnộes disjoints (cluster) Ces clusters sont trouvộs de telle sorte que chaque exemple appartient un groupe Aussi, les modốles gộnộrer par notre approche sont parfois On obtient des modốles dont lintersection nest pas nulle Lidộal serait davoir un minimum de modốles dont lintersection est nulle Cette amộlioration permettra de bien classifier les exemples et permettrons aux experts de mieux interprộter et catộgoriser les modốles Pour les exemples donnộes ont doit produire un nombre minimal de cluster Sachant quun cluster reprộsente un modốle, on devrait parcourir les donnộes et sassurer que chaque exemple positif appartient un cluster Lộtape (extraction des exemples positifs) du processus dobtention de modốle nộcessite toujours une intervention dun expert informatique pour dộfinir la requờte SPARQL Nous devons proposer une approche pour pallier cela Tout dabord on peut aborder le problốme en permettant aux opộrateurs de formuler rapidement des requờtes intuitives en utilisant des vocabulaires contrụlộs et expressions courantes De mờme on peut aborder le problốme en dộfinissant des requờtes avec OBDA (Ontology-Based Data Access) qui permettra dinfộrer de nouveaux faits non explicitement stockộs dans la base de 39 connaissance ainsi que permettre le mapping des ontologies en fournissant une vue unifiộe de plusieurs sources de donnộes 40 Baader, F., Horrocks, I., & Sattler, U (2005) Description logics as ontology languages for the semantic web In Mechanizing Mathematical Reasoning (pp 228-248) Springer Berlin Heidelberg Cohen, W W., Borgida, A., & Hirsh, H (1992, July) Computing least common subsumers in description logics In AAAI (Vol 1992, pp 754-760) De Raedt, & L., Dehaspe, L (1996) Clausal Discovery, Report CW 238, Department of Computing Science, K.U Leuven Pp De Raedt, L (1992) Interactive Theory Revision: An Inductive Logic Programming Approach Academic Press Fossier, S., Laudy, C., & Pichon, F (2013, July) Managing uncertainty in conceptual graph-based soft information fusion In Information Fusion (FUSION), 2013 16th International Conference (pp 930-937) IEEE Iannone, L., & Palmisano, I (2005) An algorithm based on counterfactuals for concept learning in the semantic web In Innovations in Applied Artificial Intelligence (pp 370-379) Springer Berlin Heidelberg Iannone, L., Palmisano, I., & Fanizzi, N., An algorithm based on counterfactuals for concept learning in the semantic web, in Applied Intelligence 26 (2), pp 139-159 Iglesias, J., & Lehmann, J (2011, November) Towards integrating fuzzy logic capabilities into an ontology-based inductive logic programming framework In Intelligent Systems Design and Applications (ISDA), 2011 11th International Conference on (pp 1323-1328) IEEE Lehmann, J., & Hitzler, P (2008) A Refinement Operator Based Learning Algorithm for the\ mathcal {ALC} Description Logic In Inductive Logic Programming (pp 147-160) Springer Berlin Heidelberg Lehmann, J., & Hitzler, P (2010) Concept learning in description logics using refinement operators In Machine Learning, 78(1-2), 203-250 Lehmann, J., & Hitzler, P., (2008) A Refinement Operator Based Learning Algorithm for the ALC Description Logic, in Inductive Logic Programming, pp 147-160 41 Lehmann, J., Auer, S., Bỹhmann, L., & Tramp, S (2011) Class expression learning for ontology engineering In Web Semantics: Science, Services and Agents on the World Wide Web, 9(1), 71-81 McGuinness, D L., & Van Harmelen, F (2004) OWL web ontology language overview W3C recommendation, 10(10), 2004 Muggleton, S (1995) Inverse entailment and Progol.in New generation computing, 13(3-4), 245-286 Muggleton, S., & Buntine, W (1992) Machine invention of first-order predicates by inverting resolution In Proceedings of the fifth international conference on machine learning (pp 339-352) Muggleton, S., & Feng, C (1990) Efficient induction of logic programs Turing Institute, Muggleton, S., Santos, J., & Tamaddoni-Nezhad, A (2010) ProGolem: a system based on relative minimal generalisation In Inductive Logic Programming (pp 131-148) Springer Berlin Heidelberg Mugnier, C M (1992) Conceptual graphs: Fundamental notions In Revue d'intelligence artificielle vol6, p 365406 Mugnier, M L (1996) Reprộsenter des connaissances et raisonner avec des graphes In Revue dintelligence artificielle, 10(1), 7-56 N Fanizzi, C d (2008) DL-FOIL:Concept Learning in Description Logics LACAM Dipartimento di Informatica Universit degli studi di Bari OWLAPI1, 2015, Clark & Parsia LLC (Explanation code, Modularity code), (s.d.) http://owlapi.sourceforge.net/ consultộ le 18/09/2015 OWLAPI2, 2015, University of Ulm (KRSS2 syntax parser and renderer) (s.d.) http://owlapi.sourceforge.net/ consultộ le 18/09/2015 Quinlan, J R.-J (1995) Induction of logic programs: FOIL and related systems In New Generation Computing 13.3-4, 287-312 Raimbault, T (2008) Transition de modốles de connaissances Un systốme de connaissance fondộ sur OWL, Graphes Conceptuels et UML Thốse de luniversitộ de Nantes 42 Srinivasan, A (version4) http://www.cs.ox.ac.uk/activities/machlearn/Aleph/aleph.html The ALEPH Manual consultộ le 18/09/2015 Laudy, C., Ganascia, J G., & Sedogbo, C (2007, July) High-level fusion based on conceptual graphs In Information Fusion, 2007 10th International Conference on (pp 1-8) IEEE BAADER, Franz et NUTT, Werner Basic description logics In : Description logic handbook 2003 cap 2, p 43-95 43 27 modốles trouvộs 1- (( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasAircraftOperator.({AirCarrier})))) ( hasDetector.({FlightCrew})) acc:70,41% ( hasDetector.({FlightCrew})) ( isOn.( hasAircraftOperator.({AirCarrier}))) acc:71,43% 2- ( isOn.( hasAircraftOperator.({AirCarrier}))) ( isOn.( hasFlightPlan.({IFR}))) acc:71,43% 3- (((( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( isOn.( hasFlightPhase.flightPhase))) ( isOn.( hasAircraftOperator.({AirCarrier})))) ( hasAnomaly.anomaly) acc:70,07% 4- ((( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( isOn.( hasFlightPhase.flightPhase))) ( isOn.( hasAircraftOperator.({AirCarrier}))) acc:83,33% 5- ((( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( isOn.( hasFlightPhase.flightPhase))) ( hasDetector.({FlightCrew})) acc:73,13% 6- ((( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( isOn.( hasAircraftOperator.({AirCarrier})))) ( hasAnomaly.anomaly) acc:72,45% 7- ((( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasFlightPhase.flightPhase))) ( isOn.( hasAircraftOperator.({AirCarrier})))) ( hasAnomaly.anomaly) acc:70,75% 8- ((( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( isOn.( hasFlightPhase.flightPhase))) ( isOn.( hasAircraftOperator.({AirCarrier})))) ( hasAnomaly.anomaly) acc:70,07% 9- (( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( isOn.( hasAircraftOperator.({AirCarrier}))) acc:86,73% 10- (( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( hasDetector.({FlightCrew})) acc:76,87% (( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( isOn.( hasFlightPlan.({IFR}))) acc:71,09% (( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasFlightPhase.flightPhase))) ( isOn.( hasAircraftOperator.({AirCarrier}))) acc:85,03% (( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasFlightPhase.flightPhase))) ( hasDetector.({FlightCrew})) acc:75,17% (( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasAircraftOperator.({AirCarrier})))) ( hasAnomaly.anomaly) acc:73,13% (( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( isOn.( hasFlightPhase.flightPhase))) ( isOn.( hasAircraftOperator.({AirCarrier}))) acc:83,33% (( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( isOn.( hasFlightPhase.flightPhase))) ( hasDetector.({FlightCrew})) acc:73,13% 44 (( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( isOn.( hasAircraftOperator.({AirCarrier})))) ( hasAnomaly.anomaly) acc:72,45% (( isOn.( hasAircraftOperator.({AirCarrier}))) ( isOn.( hasFlightPhase.flightPhase))) ( hasAnomaly.anomaly) acc:71,43% ( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasAircraftOperator.({AirCarrier}))) acc:88,44% ( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasDetector.({FlightCrew})) acc:79,25% ( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasFlightPlan.({IFR}))) acc:73,13% ( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( isOn.( hasAircraftOperator.({AirCarrier}))) acc:86,73% ( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( hasDetector.({FlightCrew})) acc:76,87% ( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( isOn.( hasFlightPlan.({IFR}))) acc:71,09% ( isOn.( hasAircraftOperator.({AirCarrier}))) ( isOn.( hasFlightPhase.flightPhase)) acc:86,39% ( hasDetector.({FlightCrew})) ( isOn.( hasFlightPhase.flightPhase)) acc:75,85% ( isOn.( hasFlightPhase.flightPhase)) ( isOn.( hasFlightPlan.({IFR}))) acc:71,09% ( hasAnomaly.anomaly) ( isOn.( hasAircraftOperator.({AirCarrier}))) acc:73,81% isOn.( hasAircraftOperator.({AirCarrier})) acc:90,14% hasDetector.({FlightCrew}) acc:80,27% isOn.( hasFlightPlan.({IFR})) acc:74,83% hasDetectionMoment.({In-flight}) acc:70,41% ((( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( isOn.( hasFlightPhase.flightPhase))) ( hasAnomaly.anomaly) acc:75,85% ((( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( isOn.( hasFlightPhase.flightPhase))) ( isOn.( hasMission.mission)) acc:70,07% (( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( isOn.( hasFlightPhase.flightPhase)) acc:91,84% (( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( hasAnomaly.anomaly) acc:78,91% (( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem))) ( isOn.( hasMission.mission)) acc:74,15% (( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasFlightPhase.flightPhase))) ( hasAnomaly.anomaly) acc:76,87% (( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasFlightPhase.flightPhase))) ( isOn.( hasMission.mission)) acc:71,77% (( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( isOn.( hasFlightPhase.flightPhase))) ( hasAnomaly.anomaly) acc:75,85% (( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( isOn.( hasFlightPhase.flightPhase))) ( isOn.( hasMission.mission)) acc:70,07% ( hasAssessment.( hasContributingFactor.contributingFactor)) ( hasAssessment.( hasPrimaryProblem.primaryProblem)) acc:95,92% 45 ( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasFlightPhase.flightPhase)) acc:93,88% ( hasAnomaly.anomaly) ( hasAssessment.( hasContributingFactor.contributingFactor)) acc:80,27% ( hasAssessment.( hasContributingFactor.contributingFactor)) ( isOn.( hasMission.mission)) acc:75,85% ( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( isOn.( hasFlightPhase.flightPhase)) acc:91,84% ( hasAnomaly.anomaly) ( hasAssessment.( hasPrimaryProblem.primaryProblem)) acc:78,91% ( hasAssessment.( hasPrimaryProblem.primaryProblem)) ( isOn.( hasMission.mission)) acc:74,15% ( hasAnomaly.anomaly) ( isOn.( hasFlightPhase.flightPhase)) acc:77,55% ( isOn.( hasFlightPhase.flightPhase)) ( isOn.( hasMission.mission)) acc:72,11% hasAssessment.( hasContributingFactor.contributingFactor) acc:98,30% hasAssessment.( hasPrimaryProblem.primaryProblem) acc:95,92% isOn.( hasFlightPhase.flightPhase) acc:95,24% hasAnomaly.anomaly acc:80,95% isOn.( hasMission.mission) acc:76,53% hasEnvironment.( hasFlightCondition.fligthCondition) acc:71,09% 46 C( ensemble des concepts atomiques), et ( ensemble des rụles) On dộfini     reprộsente lensemble de tous les concepts qui sont directement infộrieur au concept atomique C et le contraire Lensemble reprộsente lensemble de tous les concepts atomiques plus gộnộraux et lensemble des rụles      47 [...]... concept intộressant Lidộe de notre approche est donc de se fonde sur lexistant des fonctions de DL learner afin de redộfinir lopộrateur de raffinement et de proposer un algorithme pour obtenir les modốles de situation Il sagit de partir de lexpression la plus gộnộrale et ộvaluer le taux de couverture de lexpression sur des exemples Lorsquon trouve un concept ộlộmentaire, si le nombre dexemples couverts est... existantes dans une base de connaissance Ainsi il est important de choisir et dutiliser une mộthode ayant une complexitộ raisonnable afin toutes ces hypothốses Le parcours de lespace de recherche est gộnộralement effectuộ par le biais de lopộrateur de subsomption Chaque mộthode de PLI diffốre les unes des autres par deux grands facteurs, la taille de lespace de recherche et la qualitộ de lhypothốse trouvộe... noffrent pas OWL ajoute des vocabulaires pour la description des propriộtộs et des classes, des relations entre classes, des cardinalitộs, des caractộristiques de propriộtộs (symetry), et des classes ộnumộrộes Tandis que RDF-S permet de dộfinir seulement la hiộrarchie entre les classes et propriộtộs OWL a ộtộ donc dộveloppộ comme une extension du vocabulaire de RDF De plus, laide nombreux plugin (OWL... l'intersection de l'apprentissage automatique et de la programmation logique L'apprentissage automatique, et plus prộcisộment de l'apprentissage inductif, permet de dộvelopper des outils et des techniques permettant d'induire des hypothốses et de synthộtiser de nouvelles connaissances partir de l'expộrience La PLI hộrite d'un langage de reprộsentation des connaissances palliant les limitations des approches... sous concept de notộ ( ) Une telle dộfinition entraợne un trốs grand nombre de spộcialisations Mais la dộfinition dune heuristique va nous permettre de choisir des meilleurs concepts afin de rộduire lespace de recherche Cette heuristique est dộfinie par 22 lexactitude dun concept Si un concept a la plus grande valeur dexactitude, alors il est qualifiộ de meilleur concept Soit lensemble de tous les... concept ộlộmentaire et spộcifique Lexactitude de ô incident ằ est 100% par contre celui de ô aircraft ằ est de 60% donc la descente dans larbre est faite partir du nud ô incident ằ et ainsi de suite Incident =100% Aircraft =60% - Figure 10: Illustration d'une recherche par raffinement d'opộrateur 2.4.3 Propriộtộs de lopộrateur de raffinement Un opộrateur de raffinement quatre principales propriộtộs... discipline de lIA destinộe reprộsenter et organiser un ensemble de connaissance dans le but de la partager, dinterroger et mờme de raisonner (combiner un ensemble dinformations prộalablement connues afin obtenir une information qui en dộcoule) La problộmatique de la recherche en reprộsentation des connaissances est de fournir des modốles formels de reprộsentation qui permettent dune part, de modộliser... pour la grande expressivitộ de la logique de description daprốs les propriộtộs de raffinement dopộrateur (Hitzler & Lehmann, 2008) Ensuite par le biais de cet opộrateur, la mộthode effectue des spộcialisations dans le but dobtenir des hypothốses qui ne couvrent aucun exemple nộgatif ou du moins qui en couvrent trốs peu (infộrieur un seuil) Ceci marque la condition darrờt de lalgorithme ã La deuxiốme... dộfinition Lidộe est de conserver une seule hypothốse et de la modifier pour conserver la compatibilitộ avec les exemples ã La troisiốme et derniốre ộtape est celle de spộcialisation Cette ộtape consiste effectuer des appels des services du raisonneur dans le but de rechercher les subsomption et des vộrifications des instances Ces opộrations se font en une complexitộ de P-space1 Les rộsultats dexpộrimentation... processus de fusion Ces donnộes significatives sont celles quon qualifie de modốle de situation Le modốle de situation est ensemble de donnộes structurộes qui dộcrit des observations dun utilisateur afin de lui donner une meilleure comprộhension En dautres termes, le modốle de situation est une structure qui permet de dộcrire au mieux possible ce quont en commun un ensemble de donnộes Avant de pouvoir