Utilisation du formalisme OSF pour le Web sémantique

1. 1
CEDAR : Un système de raisonnement à grande
échelle
14/03/2016
Samir Amir

2. 2
 2005 : Ingénieur, Université de Blida
 2006 : Master, Université de Rennes 1
 2007 : Ingénieur R&D, Thomson Corporate Research
 2008-2011 : Doctorat, Université de Lille 1
 2011-2012 : ATER, Université de Lille 1
 2013-2015 : Post-doc, Université de Lyon 1
 10/2015 - … : Responsable Pôle R&D, Press'Innov
A propos de moi
2

3. 3
Données structurées (html)
- Requête sur des données structurées.
- Moteur de recherche.
- Visualisation.
- ...
Le Web d'aujourd'hui

4. 4
Le Web d'aujourd'hui
Données structurées (html)
- Requête sur des données structurées.
- Moteur de recherche.
- Visualisation.
- ...
Pas de raisonnement

5. 5
Le Web d'aujourd'hui
Données structurées (html)
- Requête sur des données structurées.
- Moteur de recherche.
- Visualisation.
- ...
Pas de raisonnement
Q1 : Trouver les personnalités africaines ayant visité
la France
La visite de Jacob Zuma à la COP21

6. 6
Le Web d'aujourd'hui
Données structurées (html)
- Requête sur des données structurées.
- Moteur de recherche.
- Visualisation.
- ...
Pas de raisonnement
Q1 : Trouver les personnalités africaines ayant visité
la France
La visite de Jacob Zuma à la COP21
NULL

7. 7
The Semantic Web is an extension of the current web in which information
is given well defined meaning, better enabling computers and people to
work in co-operation [Tim Berners-Lee]
Le Web Sémantique

8. 8
The Semantic Web is an extension of the current web in which information
is given well defined meaning, better enabling computers and people to
work in co-operation [Tim Berners-Lee]
Le Web Sémantique
Comment ?
- Sémantique + contraintes + méthode de raisonement
Comment exprimer les conaissances ?
- Langage de decription (basé sur une logique)
Exemple ?

9. 9
personne
personnalité
politique
musicien…..
ministre
président
…..
localisation
capitale
musicienpays…..
Président de
capitale de
événement
musicienécologique…..
lieu
TBox (Ontology)
Exemple (déduction)
politique
Disjoints

10. 10
personne
personnalité
politique
musicien…..
ministre
président
…..
localisation
capitale
musicienpays…..
Président de
capitale de
événement
musicienécologique…..
lieu
TBox (Ontology)
ABox (Instances) - Jacob Zuma est un président
- Jacob Zuma a participé à la COP21
- COP21 est un évenement
- ….........
Exemple (déduction)
politique
TBox + Abox = base de connaissances
Disjoint

11. 11
Le Web Sémantique
personne
personnalité
politique
musicien…..
ministre
président
…..
localisation
capitale
musicienpays…..
Président de
capitale de
événement
musicienécologique…..
lieu
TBox (Ontology)
ABox (Instances)
Exemple (déduction)
politique
TBox + ABox = Base de connaissances
Q1 : Trouver les personnalités africaines ayant visité la France Jacob Zuma
Disjoint
- Jacob Zuma est un président
- Jacob Zuma a participé à la COP21
- COP21 est un évenement
- ….........

12. 12
Comment exprimer les conaissances ?
- KL-ONE
- Order-Sorted Feature (OSF)
- Logique de Description (DL)
- …..
Web Ontology Language (OWL)
W3C
Le Web Sémantique

13. 13
Comment exprimer les conaissances ?
Le Web Sémantique
ABox : RDF (Ressource Desciption Framawork)
Jacob Zuma président
Type
AssistéA
COP21
Type
événement
- KL-ONE
- Order-Sorted Feature (OSF)
- Logique de Description (DL)
- …..
W3C
Web Ontology Language (OWL)
<rdf:Description rdf:about="#JacobZuma">
<rdf:type><foaf:Président></rdf:type>
<ex:AssistéA>COP21</AssistéA>
</rdf:Description>
………………...

14. 14
La sémantique de OWL-DL
- Logique décidable

15. 15
Exemple (OWL-DL)

16. 16
Raisonneurs (DL)
- Pellet 1
- FaCT++ 2
- Racer 3
- HermiT 4
- RacerPro 3
1 : https://www.w3.org/2001/sw/wiki/Pellet
2 : http://owl.man.ac.uk/factplusplus/
3 : http://franz.com/agraph/racer/
4 : http://www.hermit-reasoner.com/
Approches DL (bottom-up)

17. 17
Raisonnement à très grande échelle
Linked-Data : Objets connectés sous forme de graphes
Le Web de données (Linked Data)

18. 18
Le Web de données (Linked Data)
Peut on passer à l'échelle ?

19. 19
Algorithme de Tableau (Réponse Théorique)
- Construction explicite du modèle
- Décidable (modèle fini).
- Test de satisfaction.
Règles :

20. 20
Algorithme de Tableau (Réponse Théorique)

21. 21
Algorithme de Tableau (Réponse Théorique)

22. 22
Contraintes et Évènements Dirigeant
l'Automatisation du Raisonnement
Coordinateur du projet : Hassan AIT-KACI
Objectif :
- Montrer les limites des systèmes de raisonnement existants
- Montrer qu'il y a un autre formalise capable de passer à l'échelle
Projet CEDAR (Chaire d'excellence ANR)

23. 23
Projet CEDAR (Chaire d'excellence ANR)
Contraintes et Évènements Dirigeant
l'Automatisation du Raisonnement
Coordinateur du projet : Hassan AIT-KACI
Order-Sorted Feature (OSF)
Objectif :
- Montrer les limites des systèmes de raisonnement existants
- Montrer qu'il y a un autre formalise capable de passer à l'échelle

24. 24
1) Order-Sorted Feature (OSF)
- Pouvoir expressif important.
- Compatible avec RDF (Web sémantique)
- Méthode de raisonnement paresseuse et incrémentale
2) Optimisation
- Encodage binaire des contraintes
3) Distribution
- Calcul parallèle.
- Passage à l'échelle.
CEDAR

25. 25
Order-Sorted Feature (OSF)

26. 26
OSF (sémantique)

27. 27
OSF (Exemples)

28. 28
Mapping OSF - RDF

29. 29
OSF (Sémantique)
- Conjonction
- Disjonction
- Négation
- Agrégats
- Expressions régulières
- Cardinalité
- ...

30. 30
Dissolution des termes OSF

31. 31
Exemple :
Dissolution des termes OSF

32. 32
Dissolution des termes OSF

33. 33
Règles de normalisation (raisonnement)

34. 34
Règles de normalisation (raisonnement)

35. 35
Méthodes de Tableaux
OSF VS Tableaux (DL)
Règles OSF
- Construction explicite du modèle
- Décidable (modèle fini).
- Paresseux.
- Élimination.
- Incrémental.

36. 36
Encodage binaire des contraintes
- Chaque concept sera représenté par un code binaire.
- Les opérations logiques sont applicables sur les codes.
- Navigation facile entre concepts.
- Optimisation.

37. 37
Encodage binaire des contraintes
- teacher est un teacher (sorte 6 )⇒
- professor est un teacher (sorte 4)⇒ teacher (00101000)

38. 38
- teacher est un teacher (sorte 6 )⇒
- professor est un teacher (sorte 4)⇒ teacher (00101000)
- teacher and researcher = 00101000 and 00011000 = 00001000 ⇒ professor
Encodage binaire des contraintes

39. 39
person (teachesAt => institution, doesResearch => laboratory)
professor (teachesAt => university, doesResearch => laboratory)

40. 40
X : person (teachesAt => institution, doesResearch => laboratory)
X : professor (teachesAt => university, doesResearch => laboratory)
Marie
type
medecin
teachesAt
Lyon 1
Dupont
type
professor
teachesAt
Lyon 1
RDF
doesReaseach
LIRIS
type
university
type
laboratory
Select ?x where {
?x type professor.
?x teachesAt ?y.
?y type university.
?x doesResearch ?z.
?z type laboratry }
OSF2SPARQL

41. 41
Architecture de CEDAR

42. 42
Expérimentations
Ontologies
- NCBI, MESH, CPO jusqu'à 1 million de concepts⇒
Triplets RDF
- 1 milliard
Requêtes
- 1 à 100 concepts
Comparaison
- Hermit, TrOWL, RacerPro, Pellet, ………...

43. 43
Expérimentations (classification)

44. 44
Expérimentations (requêtes déductives)

45. 45
Critiques
Décidabilité
- A quel prix ?
- Implémentation de la partie décidable.
Monde ouvert VS monde fermé
- On raisonne par ce qu'on connaît.
- La plupart des cas sont concernés par la SMF.
Même avec une SMF, les résultats restent les
mêmes

46. 46
Distribution

47. 47
Distribution (Architecture)
SPARQL
- Passage à l'échelle
- Efficacité : pas toujours le cas !

48. 48
Distribution (MapReduce)

49. 49
- Partitionnement intelligent de données
- Réduire la corrélation entre les données.
- Indexation multidimensionnelle.
- Projection sur type, propriété, etc.
Distribution

50. 50
CEDAR (utilisation)
- Grand Lyon (prototype)
Monitoring, gestion de données.
- Press'Innov (en cours)
Enrichissement des ontologies depuis un texte brut.
Site :
http://cedar.liris.cnrs.fr/

51. 51
Questions

52. 52