Probabilistic relational models learning from graph databases

Marwa El Abri 1
1 DUKe - Data User Knowledge
LINA - Laboratoire d'Informatique de Nantes Atlantique : UMR 6241
Résumé : Historiquement, les Modèles Graphiques Probabilistes (PGMs) sont une solution d’apprentissage à partir des données incertaines et plates, appelées aussi données propositionnelles ou représentations attribut-valeur. Au début des années 2000, un grand intérêt a été adressé au traitement des données relationnelles présentant un grand nombre d’objets participant à des différentes relations. Les Modèles Probabilistes Relationnels (PRMs) présentent une extension des PGMs pour le contexte relationnel. Avec l’évolution rapide issue de l’internet, des innovations technologiques et des applications web, les données sont devenues de plus en plus variées et complexes. D’où l’essor du Big Data. Plusieurs types de bases de données ont été créés pour s’adapter aux nouvelles caractéristiques des données, dont les plus utilisés sont les bases de données graphe. Toutefois, tous les travaux d’apprentissage des PRMs sont consacrés à apprendre à partir des données bien structurées et stockées dans des bases de données relationnelles. Les bases de données graphe sont non structurées et n’obéissent pas à un schéma bien défini. Les arcs entre les noeuds peuvent avoir des différentes signatures. En effet, les relations qui ne correspondent pas à un modèle ER peuvent exister dans l'instance de base de données. Ces relations sont considérées comme des exceptions. Dans ce travail de thèse, nous nous intéressons à ce type de bases de données. Nous étudions aussi deux types de PRMs à savoir, Direct Acyclic Probabilistic Entity Relationship (DAPER) et chaines de markov logiques (MLNs). Nous proposons deux contributions majeures. Premièrement, Une approche d’apprentissage des DAPERs à partir des bases de données graphe partiellement structurées. Une deuxième approche consiste à exploiter la logique de premier ordre pour apprendre les DAPERs en utilisant les MLNs pour prendre en considération les exceptions qui peuvent parvenir lors de l’apprentissage. Nous menons une étude expérimentale permettant de comparer nos méthodes proposées avec les approches déjà existantes.
Type de document :
Thèse
Computer Science [cs]. Université de Nantes, 2018. English
Liste complète des métadonnées

https://tel.archives-ouvertes.fr/tel-01901255
Contributeur : Marwa El Abri <>
Soumis le : lundi 22 octobre 2018 - 18:34:45
Dernière modification le : lundi 5 novembre 2018 - 09:40:28

Fichier

2018-Thèse-MarwaElAbri.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : tel-01901255, version 1

Collections

Citation

Marwa El Abri. Probabilistic relational models learning from graph databases. Computer Science [cs]. Université de Nantes, 2018. English. 〈tel-01901255〉

Partager

Métriques

Consultations de la notice

7

Téléchargements de fichiers

3