Les Ontologies dans les Systèmes d’Information

Les Ontologies dans les
Systèmes d’Information

Catherine ROUSSEY
catherine.roussey@cemagref.fr

Université de Lyon CNRS, Université Lyon 1, LIRIS UMR5205,
Villeurbanne, France

CEMAGREF, 24 Av. des Landais, BP 50085, 63172 Aubière,
France
ROUSSEY, C., FRANÇOIS PINET, KANG, M.A., CORCHO, O. - 2009. How ontologies are used for
software interoperability. Chapter to appear in: Use of Ontologies to Support Information
Interoperability, Springer, 52 pages http://www.towntology.net/towntologyreferences.php

Plan
 Donnée, Information, Connaissance
 Historique des Ontologies
 Ontologie(s): Définitions
 Interopérabilité: Définition
◦ Type d’ontologie / type d’interroperabilité
◦ Information ontology
◦ Linguistic ontology
◦ Software ontology
◦ Formal ontology
 Construction d’ontologies: les bases

13/11/2009 CONCEPTION DE SYSTEMES D’INFORMATION ENVIRONNEMENTAUX COMMUNICANTS 2

Données, Informations,
Connaissances
 Donnée: est un élément d’information manipulable par un ordinateur et
percevable par un humain
◦ 17
 Information: données + sens + contexte (pour l’humain)  type (pour
la machine)
◦ Information structurée  BD
 17 ° une valeur numérique de type température
◦ Information non structurée  texte brut
 Un texte brut pour la machine = une séquence de caractères  type document
◦ Information semi structurée  page HTML
 Le texte est structuré en partie : titre, paragraphe etc… une forme de typage plus fin de séquence
de caractères
 Connaissance (pour l’humain): information + stabilité + croyance
(vrai ou faux)
◦ Une sorte de généralisation d’un ensemble d’information
◦ La connaissance est toujours propre à une personne et peut être partagée par d’autres
personnes
◦ Une température en France est comprise entre -30 et +40

Zins, C., (2007).Conceptual approaches for defining "Data", "Information", and "Knowledge".
Journal of the American Society for Information Science (JASIST), 58 (4). pp. 479-493.


Connaissances
Classe objet au sens POO:
information + généralisation + traitement
 La classe « température » a des données avec des
méthodes associées
 calcul de la température moyenne d’une région: (17 +
22 + …) / N

 La hiérarchie est construite sur les méthodes (les
comportements)
 Grace au typage (la classe) certains traitements sont
impossibles ( addition de températures)


Connaissances
Entité en BD Relationnelle:
information + mémorisation + vérification
 Stocker toutes les températures d’une région sur une période
données

 Données quantitatives et qualitatives
◦ Une valeur de température est associée à un nom de département.
 Éviter la redondance pour éliminer les incohérences de Mise à
Jour
◦ une table Région avec des ID (Clé Primaire)  Clé Etrangère dans une autre
table
 Organisation se construit sur le partage de données
communes (inclusion d’attributs).
 Vérifier la cohérence des données lors de l’insertion et de la
MàJ contraintes d’intégrité
 Hypothèses du monde fermé


Connaissances
Connaissances formelles en IA:
information + généralisation + vérification +
raisonnement
 Description qualitative des objets
◦ Une température = chaud, froid, tempéré
 Raisonnement au sens informatique = un certains type de
traitement
◦ Inférence = création de nouvelles connaissances
◦ Classification automatique d’un objet ou d’une classe dans une
hiérarchie
◦ Validation du modèle de données (l’ensemble des définitions des
classes sont elles cohérentes)
 La hiérarchie est construite sur les propriétés (la description
qualitative de la classe)
 Hypothèse du monde ouvert


Schéma général
Résultat d’un processus d’apprentissage:

HUMAIN
Connaissances une généralisation d’un ensemble
d’information que l’on va mémoriser
Information Sens dans un contexte

Données Perception

Des traitement particuliers non lié au
Connaissances en IA données: description qualitative

MACHINE
Description sous forme d’attribut
Classes en POO (description quantitative & qualitative ) +
méthodes (traitements)
BD Relationnelle Données fortement structurées optimisées
pour le stockage
Différent niveau de granularité : information
Données typées
structurée  non structurées
Données

Historique des Ontologies
 Ontologie avec un O majuscule (philosophie):
 une science: une branche de la métaphysique qui
a pour objectif l’étude de l’être en tant qu’être,
c'est-à-dire l'étude des propriétés générales de
tout ce qui est… définition adaptée de Wikipedia

 Ontologies au pluriel avec un o minuscule
(informatique):
 outils informatiques résultat d’une modélisation
définition à suivre…

Quels sont les modèles conceptuels que vous
connaissez?


Historique des Ontologies
 Expert System  Knowledge based System
 Knowledge separation from treatment in order to
solve a specific problem or to achieve a task.
 Knowledge reuse in different systems
Method input Problem Solving Method Method output

Described by

Extended to mapping
Domain Application Method
ontology ontology ontology


Definitions Ontologie…
 Gruber 1993:
 « an ontology is an explicit specification of a conceptualization. »

 Borst 1997:
 « ontologies are defined as a formal specification of a shared
conceptualization. »

 Studer 1998 :
 « an ontology is a formal, explicit specification of a shared
conceptualization.
 Conceptualization refers to an abstract model of some phenomenon in
the world by having identified the relevant concepts of that phenomenon.
 Explicit means that the type of concepts used, and the constraints on
their use are explicitly defined.
 Formal refers to the fact that the ontology should be machine readable.
 Shared reflects the notion that an ontology captures consensual
knowledge, that is, it is not private of some individual but accepted by a
group.


Definitions Ontologie …
 Guarino and Giaretta 1995:
 « A logical theory which gives an explicit,
partial account of a conceptualization »

 Guarino 1998:
 « a set of logical axioms designed to account
for the intended meaning of a vocabulary »


Definitions Ontologie …
 Aussenac Gilles 2006:
 « spécification normalisée représentant les classes
des objets reconnus comme existant dans le
domaine. Construire une ontologie, c’est aussi décider
d’une manière d’être et d’exister des objets. »

 Roche 2005:
 « Définie pour un objectif donné et un domaine particulier,
 une ontologie est pour l’ingénierie des connaissances une
représentation d’une modélisation d’un domaine
partagée par une communauté d’acteurs.
 Objet informatique défini à l’aide d’un formalisme de
représentation, elle se compose principalement d’un
ensemble de concepts définis en compréhension, de
relations et de propriétés logiques ».


Ontologie = des choix
1. Choix des traitements/ usage: pourquoi faire?
2. K partagée
◦  consensus sur un domaine
◦ Théorie minimale pour comprendre le domaine
3. Modélisation
◦ Choisir des concepts
◦ Choisir des invariants ou primitives qui permettent de
différencier les concepts les uns des autres
 propriétés
 relations
◦  construire une taxonomie (une hiérarchie)
4. Nommer les éléments
◦ Vocabulaire normalisé
5. Formalisme:
◦ choix d’un langage capable d’effectuer les traitements
demandé en 1.


Ontology : component
 Termes: un vocabulaire normalisé
 Concepts/classes/types : donne le sens de Lightweight
termes
 Définitions en Langages Naturels
Ontology
 Relations entre concepts

 Propriétés/attributs de concepts
 Taxonomie de concepts Heavyweight
 Définitions formelles dans un langage de Ontology
représentations des connaissances (Frames / LD …)
◦ Axiomes logiques
◦ Contraintes d’intégrités
 Des fonctions (pour calculer une valeur)

 Des règles (si X alors Y)
 Des instances/individus Knowledge
Base


Ontology: component hasName
*
Property Logical Textual Relation
* * Definition Definition
1 *
1
hasLabel hasArgument Semantic
* Concept
* * Relation
hasName

isInstanceOf

hasID hasArgument Instance
* Instance
* * Relation

* *
1 * hasArgument * Linguistic
Term
Relation
1

Interopérabilité: Définition
Interoperability is first defined as
the ability of an information system or its
components
to share information and applications.
Moreover, interoperability also includes
knowledge sharing throughout the life cycle of
information system:
for example development and use.

Fonseca, F., Egenhofer, M., Davis, C., and Borges, K (2000). Ontologies and Knowledge Sharing in
Urban GIS. Computer, Environment and Urban Systems, 24(3): pp. 232-251. 2000


Différents types d’intéropérabilité
Linguistic Logical
Ontology Theory Description
Logique
OWL

Formal
Conceptual Model UML
ER Model
Ontology
Knowledge
Increasing

DB Schema
XML Schema
Taxonomy
SKOS
Thesaurus Lexical Database
RDF
List Software
Controlled Vocabulary
Ontology
Glossary

Plan Information
Mind Map
Ontology

Human Lexical Data Knowledge Model Object
Interoperability Interoperability Interoperability Interoperability Interoperability

Increasing Interoperability Capibility

Classification des ontologies par
spécialité
Top Level or Foundational
Ontology

Core reference General
Ontology Ontology

Domain Ontology Task Ontology

specialize

Application or Local
Ontology


Information Ontology
 composed of diagrams and sketches
 only used by humans
 clarify and organize the ideas of collaborators
in the development of a project.

 Easily modifiable and scalable
 Synthetic and schematic


Information Ontology: component
Property
* *

hasLabel * Concept
hasName

isInstanceOf

* Instance
* * Relation

* *
1
Term


Information Ontology: Format
Screenshot of FreeMind

13/11/2009 http://freemind.sourceforge.net/wiki/index.php/Main_Page
CONCEPTION DE SYSTEMES D’INFORMATION ENVIRONNEMENTAUX COMMUNICANTS 21

Information Ontology: example
architectural project

Bouattour O., Halin G., Bignon J.-C.(2007). Management System For A Virtual Cooperative
Project. In Proceeding of the eCAADe Conference, Frankfort, Allemagne, Septembre 2007


Information Ontology: example
urban planning process

Kaza N., Hopkins L.D.(2007). Ontology for Land Development Decisions and Plans. In
Ontologies for Urban Development: Interfacing Urban Information Systems , Teller J., Lee J.,
Roussey C. ed. University of Geneva 6,7 November 2006 . pp. 143-156. Studies in
Computational Intelligence 61. Springer Verlag . ISBN 978-3-540-71975-

Linguistic Ontology
 terms are ambiguous
◦ A concept can be referenced by several terms
◦ A term can reference several concepts
 define the vocabulary
◦ dictionary =list all the terms of a language
 vocabulary normalization
◦ terminology agreement between a users’
community
◦ Choose one term for each concept that is the
preferred label of only one concept.
 Thesaurus relationships: equivalence,
hierarchical and associative.


Linguistic Ontology: component
hasName
*
Textual
Definition Relation
*
1
hasPreferredLabel hasArgument Semantic
1 Concept
* * Relation
isInstanceOf

hasID 1 Instance

1 1
* hasArgument * Linguistic
Term
Relation
1

Linguistic Ontology: example
The theme list of the GEMET thesaurus

http://www.eionet.europa.eu/gemet/index_html?langcode=fr


Le thesaurus URBAMET

http://portail.documentation.developpement-
durable.gouv.fr/notx/Urbanisme/thesaurus/navigation.xhtml



http://www.iho.shom.fr/Dhydro/Html/site_edition/consultation.html


WordNet® = large lexical database of English

http://wordnet.princeton.edu/

Linguistic Ontology: format
SKOS:
Simple
Knowledge
Organization
System

http://www.w3.org/2004/02/skos/intro


Linguistic Ontology: format
Douglas Richard Hofstadter. Gödel, Escher, Bach: an Eternal
RDF Golden Braid. Basic Book 1999 (ISBN 0-465-02656-7)

Resource
Description
Framework

<rdf:Description rdf:about='http://cemagref/enitab/module7'>
<titre>Les Ontologies dans les Systèmes d’Information</titre>
<enseignant>Catherine Roussey</enseignant>
</rdf:Description>

Lexical Interoperability in
Information Retrieval System
Linguistic
ontology

blue
Index docu
query Indexing ment

Matching
Query
Document Red
docu
index and Indexing ment
Retrieve user query
Gree
Red blue
n
docu docu
ment ment
Indexing docu
ment
32

13/11/2009 CONCEPTION DE SYSTEMES D’INFORMATION ENVIRONNEMENTAUX COMMUNICANTS

Système Documentaire Multilingue
SyDoM

ROUSSEY, Catherine. Une méthode d'indexation sémantique adaptée aux corpus
multilingues . Thèse : Institut National des Sciences Appliquées de Lyon, 2001, 196 p.
13/11/2009 CONCEPTION DE SYSTEMES D’INFORMATION ENVIRONNEMENTAUX COMMUNICANTS
Disponible sur http://docinsa.insa-lyon.fr/these/pont.php?&id=roussey 33

Lexical Interoperability
Semantic Web Search Engine
Metadata
linguistic
repository
ontology blue
annotations

Web
document
Inference mapping identified by
engine URI
red
annotations
Query annotation

Retrieve

green
annotations

Neon Project de la FAO


Software Ontology
Software implementation driven ontologies
 Conceptual schema for software development
activities
 Data storage
 Data manipulation (method)
 Data consistency (constraint)


Software Ontology: component
Property
* *

* Concept
* * Relation
hasName

isInstanceOf

hasID * Instance

* *
1
Term


Software Ontology: Example
Top level structure of ISO 12006-3 represented
through the EXPRESS-G graphical language
Names S[1:?] 2,2
xtdName
(ABS) Descriptions S[1:?] 2,3
1,2(3) xtdDescription
xtdRoot
References S[1:?] 2,4
xtdReference
1

(ABS) 1,1(3) 3,1 (ABS) 1,5(3)
xtdObject xtdRelationship xtdCollection
1
*xtdNest
xtdActor

xtdSubject xtdBag

xtdActivity 1,6(3)

xtdUnit 1,4(3)

3,2
xtdMeasureWithUnit

xtdProperty 1,3(3)

ISO/DIS 12006-3 version 3. 2004. Building construction -- Organization of information about 37
13/11/2009CONCEPTION DE SYSTEMES D’INFORMATION ENVIRONNEMENTAUX COMMUNICANTS
construction works – Part 3: Framework for object-oriented information

Software Ontology: Example

Industry
Foundation
Classes
IFC

http://www.iai-tech.org/mvd/cv/IFC2x3/beta/html/Building.htm

Software Ontology: Examples
 XMI: XML Metadata Interchange
◦ http://www.omg.org/technology/documents/fo
rmal/xmi.htm
 GML Geographic Markup Language
◦ http://www.opengis.net/gml/
 …


Data Interoperability: Data Exchange
Format for a Software Chain
Software
Ontology

Data exchange
format

Blue Green Red
system system system

Blue Green Red
data data data


Building Information Model
http://www.xscad.com/
 Outils 3D basé sur
IFC
 Un outil par expert
 Échange de données
entre experts
 Problèmes identifiés
+ tôt
 Gestion de
l’avancement des http://www.tut.fi/units/rka/rtt/tutkimus/vbl/aurora_ii.pdf
travaux
 Repousse les
décisions
budgétaires à une
phase de conception
plus avancée


Formal Ontology
 Clear semantic using formal logics:
◦ Description Logic (DL)
◦ Conceptual Graph (CG)
◦ First Order Logic (FOL)
 Reasonning
◦ Coherence, model validation


Formal Ontology: component
hasName
*
Property Logical Textual Relation
* * Definition Definition
1 *
1
* Concept
* * Relation
hasName

isInstanceOf

* Instance
* * Relation

* *
1 * hasArgument * Linguistic
Term
Relation
1

Formal Ontology: example

Trausan-Matu S.(2009). Ontology-Based Interoperability in Knowledge-Based Communication
Systems. Chapter to appear in: Use of Ontologies to Support Information Interoperability, Springer

Formal Ontology: format
OWL:
Ontology
Web
Language
 OWL Lite
 OWL DL
 OWL Full

www.w3.org 2007


Knowledge Model Interoperability:
Information System Conception
Ontologies

Derivation links

Conceptual Schema
CLASSE B
CLASSE A
relation Attribute b1
Attribute a1 Attribute b2
Attribute a2

Fonseca, F., Egenhofer, M., Davis, C., and Borges, K (2000). Ontologies and Knowledge Sharing in
Urban GIS. Computer, Environment and Urban Systems, 24(3): pp. 232-251. 2000

user adapted interface
development
User Specific Interface
Information Knowledge
Sources Base Inhabitant
Conceptual
annotation OUPP
links ontology
databases

Local Urbanist
texts ontologies
Instances

3D City
Model Instance
links
Metral, C; Falquet, G; Karatzas, K (2007 A). Ontologies for the Integration of Air Quality
13/11/2009and 3D City Models. In proceeding of the 2nd Cost Action C21 – Towntology Workshop
Models CONCEPTION DE SYSTEMES D’INFORMATION ENVIRONNEMENTAUX COMMUNICANTS 47
Ontologies for urban development: conceptual models for practitioners ,Turin, October 2007

Object Interoperability:
a global system related to local one

retrieve
query
mapping
Mediated
Mediator virtual
database Global
schema

Wrapper
local local local for the Red
schema schema schema DB
Wrapper
for the
Blue DB

13/11/2009 Blue Green Red
CONCEPTION DE SYSTEMES D’INFORMATION ENVIRONNEMENTAUX COMMUNICANTS 48
data data data

IGN-E case :
the Phenomen Ontology
red
database

domain ontology
query PhenomenOntology

retrieve

Mapping
blue
database

Gomez-Pérez, A Ramos Gargantilla JA, Rodríguez Pascual A, Vilches Blázquez
13/11/2009 CONCEPTION DE SYSTEMES D’INFORMATION ENVIRONNEMENTAUX a hidden ontology Lecture
LM (2008). The IGN-E case: Integrating through COMMUNICANTS 49
notes in geoinformation and cartography p 417-434

Construction d’Ontologies:
les bases

Méthodes de construction
d’ontologies
Cycle de vie en plusieurs étapes

1. Spécification
2. Acquisition de Connaissances
3. Formalisation
4. Évaluation
5. Documentation


Spécification
 a quoi va servir l’ontologie?
 Identifier le but de l’application
 limiter le domaine
◦ les objets
◦ les usagers, les points de vues
◦ les sources documentaires
◦ Les autres ontologies
 Trouver les questions auxquelles devra
répondre l’ontologie.
 Trouver les scénarios d’utilisation des
connaissances


Acquisition des connaissances
 Réutiliser des ontologies existantes
◦ top level ontology
◦ Ontologie d’une partie du domaine ex. ontologie des unités
 Identifier les termes importants
◦ normaliser le vocabulaire
 Identifier les concepts et les relations du domaine
◦ Définition écrite en Langue Naturelle
◦ Trouver les conditions minimales et suffisantes pour dire
qu’un objet appartient à une classe donnée.
◦ Trouver les différences entre classes sœurs et classe mère/
classe fille
 Stratégie différente suivant les sources étudiées:
◦ Thesaurus,
◦ Base de données,
◦ texte etc…


Construire la taxonomie de
concepts
 Hiérarchie avec une relation is a ou relation de
subsomption
 3 stratégies pour identifier les concepts
 Bottom-up :
◦ spécialisé  général,
◦ concepts très détaillés pas nécessairement utiles
 Top-down:
◦ général  spécialisé,
◦ facilite la cohérence et la réutilisation mais dirige la
conception suivant un point de vue
 Middle-out:
◦ concept important  spécialisé, général;
◦ ontologies modulaires, facilite la stabilité des résultats


Formalisation
 Coder l’ontologie dans un langage formel
 des outils: Protégé, Kaon, OntoEdit …
 Trouver les classes, les attributs, les
types, les contraintes
 Peupler l’ontologie: instancier les classes
 base de connaissances


Evaluation
 Construction d’ontologie: un domaine
récent
 Valider la taxonomie:
◦ Pas de cycle
◦ Toutes les instances d’une classe sont aussi les
instances de la classe mère
◦ Hiérarchie homogène: pas de classe isolée, pas
de listes de sous classes trop importante
 Tester l’application
◦ Répondre aux questions de la phase de
spécification

Documentation
 Donner des explications
◦ Expliquer les choix de modélisation
 Définition en langage naturel
◦ Concepts, propriétés, relations, contraintes
 Lier les concepts aux sources dont sont
issues les définitions


Conclusion
 Toutes les méthodes sont faites pour des
experts en ontologies qui communiquent
avec des experts du domaine
 La phase d’acquisition des connaissances est
la plus longue et la plus fastidieuse.
 Écrire une ontologie valide n’est pas évident
◦ Différence entre un concept et un terme, une
instance et une classe, …
◦ Trouver un consensus entre experts du domaine
◦ La relation partie-de n’est pas la relation
hiérarchique de la taxonomie


Bibliographie sur la construction
d’ontologies
 Outils
◦ Neon Toolkit
◦ KAON
◦ Protégé
 Article de Références
◦ Gómez-Pérez, A. (1998). Knowledge sharing and reuse.
Handbook of Applied Expert Systems. Liebowitz, editor, CRC
Press.
◦ Gómez-Pérez, A., Fernandez-Lopéz, M., Corcho, 0 (2003).
Ontological Engineering, Springer Editor.
◦ Uschold, M. and Gruninger, M. (1996). Ontologies:
Principles, Methods and Applications. Knowledge
Engineering Review 11(2)
◦ Gruber, T. R. Toward principles for the design of ontologies
used for knowledge sharing. Padova, Italy, 1992.


OWL DL: Composants
 Classe = un ens d’individus
 « datatype property »
◦ lie un individu à un type de données (ex: hasID)
 « annotation property »
◦ lie un individu, une classe, une « property » à une
métadonnée (ex: hasLabel)
 « objects property »
◦ lie un individu à un individu (ex: hasPart)
 Constructeurs : description des classes
 Restrictions : crée des classes anonymes
 Individus  base de connaissances
Hai Wang, Alan Rector, Nick Drummond, Matthew Horridge, et al. OWL Pizzas: Practical
Experience of Teaching OWL-DL: Common Errors & Common Patterns. EKAW 2004.

Classes
 Classes = concepts = type de concepts
 Classe nommée  Classe anonyme
◦ Un axiome pour décrire la classe
◦ Nom ?
 Classe primitive  Classe définie
◦ Conditions nécessaires
◦ Conditions nécessaires et suffisantes ?
 Classe équivalente ( )  sous classe ( )
 Hiérarchie de classes = taxonomie

Constructeurs
 Union de classes : ou logique
 Intersection de classe : et logique
 Négation de classe : le complément

Objects Property
 « Functional property »: pour un individu donné il
existe au plus une functional property ( ex:
hasBirthMother)
 « Inverse property »
 « Transitive property »
 « Symetric property »
 « Domain » et « range »: définie la cible « range » et
la source « domain » du lien entre des individus.
◦ Ce n’est pas une contrainte, c’est un axiome utilisé
pour inférer, peut conduire à des incohérences

Restrictions
 Existentiel restriction ( hasBirthMother.Thing)
◦ « Some »
◦ définie une classe anonyme contenant les individus qui
ont au moins un lien par la property
◦ Les individus qui ont au moins une mère biologique
 Universal restriction ( hasBirthMother.Human)
◦ « Only »
◦ définie une classe anonyme contenant les individus qui
,quand il possède un lien par la property hasBirthMother,
la cible du lien est toujours de la classe Human
◦ Les individus qui n’ont pas de lien hasBirthMother
appartiennent à cette classe !!!
◦ Only n’implique pas some !!!
 Cardinality restriction ≥N hasPart.Thing

Raisonnements
 Classification automatique de la taxonomie de classes
(héritage multiple)
 Détection automatique de l’appartenance d’un
individu à une classe
 Ontologie consistante  cohérence de la théorie?
◦ Pas de « unsatisfiable classe »
◦ Unsatisfiability = il n’y aura jamais un individu qui pourra
appartenir à cette classe
 Interrogation pour retrouver un ensemble d’individu
répondant à un axiome.

Les Ontologies dans les Systèmes d’Information

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

En vedette

En vedette (10)

Similaire à Les Ontologies dans les Systèmes d’Information

Similaire à Les Ontologies dans les Systèmes d’Information (20)

Plus de catherine roussey

Plus de catherine roussey (9)

Les Ontologies dans les Systèmes d’Information