Discovering multi-relational association rules from ontological knowledge bases to enrich ontologies

Duc Minh Tran 1
1 WIMMICS - Web-Instrumented Man-Machine Interactions, Communities and Semantics
CRISAM - Inria Sophia Antipolis - Méditerranée , Laboratoire I3S - SPARKS - Scalable and Pervasive softwARe and Knowledge Systems
Résumé : Dans le contexte du Web sémantique, les ontologies OWL représentent des connaissance explicite sur un domaine sur la base d’une conceptualisation des domaines d’intérêt, tandis que la connaissance correspondante sur les individus est donnée par les données RDF qui s’y réfèrent. Dans cette thèse, sur la base d’idées dérivées de l’ILP, nous visons à découvrir des motifs de connaissance cachés sous la forme de règles d’association multi-relationnelles en exploitant l’évidence provenant des assertions contenues dans les bases de connaissances ontologiques. Plus précisément, les règles découvertes sont codées en SWRL pour être facilement intégrées dans l’ontologie, enrichissant ainsi son pouvoir expressif et augmentant les connaissances sur les individus (assertions) qui en peuvent être dérivées. Deux algorithmes appliqués aux bases de connaissances ontologiques peuplées sont proposés pour trouver des règles à forte puissance inductive: (i) un algorithme de génération et test par niveaux et (ii) un algorithme évolutif. Nous avons effectué des expériences sur des ontologies accessibles au public, validant les performances de notre approche et les comparant avec les principaux systèmes de l’état de l’art. En outre, nous effectuons une comparaison des métriques asymétriques les plus repandues, proposées à l’origine pour la notation de règles d’association, comme éléments constitutifs d’une fonction de fitness pour l’algorithme évolutif afin de sélectionner les métriques qui conviennent à la sémantique des données. Afin d’améliorer les performances du système, nous avons proposé de construire un algorithme pour calculer les métriques au lieu d’interroger via SPARQL-DL.
Type de document :
Thèse
Machine Learning [cs.LG]. Doctorat de l'Université Côte d'Azur, 2018. English
Liste complète des métadonnées

Littérature citée [1 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01898822
Contributeur : Duc Minh Tran <>
Soumis le : jeudi 18 octobre 2018 - 19:42:42
Dernière modification le : lundi 5 novembre 2018 - 15:52:09

Fichier

Thesis-Minh.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : tel-01898822, version 1

Collections

Citation

Duc Minh Tran. Discovering multi-relational association rules from ontological knowledge bases to enrich ontologies. Machine Learning [cs.LG]. Doctorat de l'Université Côte d'Azur, 2018. English. 〈tel-01898822〉

Partager

Métriques

Consultations de la notice

27

Téléchargements de fichiers

10