Evaluation d'associations sémantiques dans une ontologie de domaine

2 470 vues

Publié le

Présentation de Thabet Slimani, Boutheina Ben Yaghlane et Khaled Mellouli à IC 2009.

Publié dans : Technologie, Formation
1 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
2 470
Sur SlideShare
0
Issues des intégrations
0
Intégrations
9
Actions
Partages
0
Téléchargements
61
Commentaires
1
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Evaluation d'associations sémantiques dans une ontologie de domaine

  1. 1. Laboratoire de Recherche Opérationnelle, de DEcision et de Contrôle de processus ISG Tunisie Evaluation d’associations sémantiques dans une ontologie de domaine Thabet Slimani Boutheina Ben Yaghlane Khaled Mellouli IC2009 Conférence d'Ingénierie des connaissances: 25- 29 mai 2009, Hammamet, Tunisie
  2. 2. Plan Introduction Travaux liés Lien sémantique / Association sémantique Degré d’un lien sémantique / d’une association sémantique Exemple d’évaluation d’associations sémantiques Résultats expérimentaux Conclusion
  3. 3. Introduction (1)
  4. 4. Introduction (2) Des liens complexes significatifs et Associations appropriés entre des entités, des sémantiques événements et des concepts Concepts Entités Extraction d’un chemin entre deux Extraction entités reliées indirectement par des Evénements Associations relations (propriétés) contenues dans sémantiques un graphe RDF. Mesurer les relations entre concepts Comment ? basés sur différents types de liens sémantiques dans une ontologie Association sémantique
  5. 5. Domaines d’application Recherche Recherche des Recherche d’information services web documentaire
  6. 6. Objectifs Fonctions sémantiques et statistiques Lien sémantique Association sémantique
  7. 7. Objectifs Degré de pertinence Requête Document Degré d’association ConceptS ConceptD Degré d’association L1 and L2 ConceptS ConceptI ConceptD L1 L2
  8. 8. Travaux liés (1) Approches intéressées par les relations entre les mots/concepts Approches Approches orientées orientées données structures (structure- (data-driven) driven) Watabe & Cao et al. Kawaoka, 2005 2001 8
  9. 9. Travaux liés (2) Notre approche dérive des approches statistiques basées sur un modèle de langage statistique Song & Croft (1999) → la pertinence d’un document avec une requête est évaluée par la probabilité d’association d’un document vis-à-vis d’une requête bien déterminée. Tian et al (2007) → une approche qui mesure les relations sémantiques dans une ontologie. 9
  10. 10. Lien et association sémantique Se rapporte à une relation Lien directe entre deux entités sémantique Se rapporte à un chemin Association connectant deux entités d’une sémantique manière indirecte 10
  11. 11. Lien et association sémantique Professor University Course Project Degree_from Offers Related_to Publication Student Author_of Author_of P0 Degree_from U0 Offers C0 Related_to Pr0 Author_of Author_of St0 Pu0 11
  12. 12. Signature d’un lien sémantique La signature d’un lien sémantique entre deux entités est définie par les paires de concept/classe source et concept/classe cible. Professor University P0 Degree_from U0 Offers C0 Related_to Pr0 Author_of Author_of St0 Pu0 Signature du LS Degree_From (Professor , University ) 12
  13. 13. Types d’un lien sémantique Si A est défini comme une Lien quot;SuperClassofquot; de B, alors B est B⊂A hiérarchique contenu dans A (LH) Si A est défini comme une Lien quot;EquivalentClassofquot; de B, alors A A≡B d’équivalence est équivalent à B. (LE) Si A est défini comme ‘’PropertyOfquot; de B ou B est défini comme Lien quot;PropertyOfquot; de A, on dit que A et B A∝B d’association possèdent une AS directe (LS) 13
  14. 14. Degré d’un lien sémantique S’il y a un lien sémantique entre deux concepts A et B, le degré d’un lien sémantique DLS est défini comme le poids qui mesure le lien entre A et B. 14
  15. 15. Exemples des LS extraits à partir de l’ontologie MeSH LS Exemple dérivé Représentation de MeSH graphique A∝B L= Formalin Test ∝ {Pain, SL A B Intractable} B⊂A Pain ⊂ Headache SubClassOf B A A≡B Pain ≡ Postoperative A B 15
  16. 16. Signature d’une association sémantique (1/3) Signature des propriétés d’une association sémantique (SPAS) définie par les propriétés contenues dans le chemin d’une association sémantique. P0 Degree_from U0 Offers C0 Related_to Pr0 Author_of Author_of St0 Pu0 SPAS ( Degree_from , Offers , Related_to ) 16
  17. 17. Signature d’une association sémantique (2/3) Signature d’instances d’une association sémantique (SIAS) définie par les instances contenues dans un lien sémantique. P0 Degree_from U0 Offers C0 Related_to Pr0 Author_of Author_of St0 Pu0 17 SIAS ( U0 , C0 )
  18. 18. Signature d’une association sémantique (3/3) Signature de classes d’une association sémantique (SCAS) définie par les classes des entités intermédiaires dans une AS. University Course P0 Degree_from U0 Offers C0 Related_to Pr0 Author_of Author_of St0 Pu0 Course 18 SCAS ( University , )
  19. 19. Degré d’une association sémantique (DAS) Cas 1: A ≡ B ou B ≡ A DAS(A, B)=1 Cas 2: A ⊂ B ou A ∝ B DAS(A, B)=DLSA(B,l) Cas 3: A et B possèdent une AS 19
  20. 20. Degré d’une association sémantique (DAS) A B C D E A 1 0 0 DLSA(D,L5) 0 B DLSB(A,L4) 1 0 DLSB(A,L4) 0 L5 D DLSA(D,L5) Log(4) A B C DLSC(A,L3) 0 1 DLSC(A,L3) 0 L4 DLSA(D,L5) L3 Log(4) D 0 0 0 1 0 C E L2 E DLSE(C,L2) 0 DLSE(C,L2) DLSE(C,L2) 1 DLSC(A,L3) DLSC(A,L3) Log(4) DLSA(D,L5) 20 Log(9)
  21. 21. Exemple d’évaluation d’association sémantique DAS-PE est le degré maximum des propriétés entrantes qui relient une entité destination d’une association par un lien l déjà connu RE1 Has-Subject-Area …. ResearchArea RE1 ? 21
  22. 22. Exemple d’évaluation d’association sémantique P0 R01 DAS-PE=0.75 P03 RE1 P04 P02 R02 DAS-PE=0.25 RE1 Expert-in R01 22
  23. 23. Résultats expérimentaux Dragon Toolkit: paquet de développement Java utile pour l’utilisation académique dans l’extraction sémantique Expansion des requêtes: l’ontologie MeSH et l’ensemble des données CFC (CFC data) Nom du concept Pain Type des liens Related-To Intractable Subclass-Of Headache SynonymOf Postoperative 23
  24. 24. Résultats expérimentaux Documents Précision MAP (30) appropriés (30) Intuition 22 81.32% 85.12% DAS 29 91.34% 93.48% DLS 27 95.33% 97.24% 24
  25. 25. Conclusion DLS: permet de mesurer les liens sémantiques directs entre des entités contenues dans une base de connaissance DAS: permet d’évaluer le degré d’une association sémantique entre deux entités qui sont liées d’une manière indirecte. Les mesures proposées pour l’évaluation des liens et des associations sémantiques ont été appliquées sur une ontologie de domaine et du corpus sous format des résumés. Les résultats obtenus montrent une amélioration remarquable au niveau de la précision dans le domaine de l’extraction des documents approprié. 25
  26. 26. Perspective Un travail conséquent reste à faire d’une part en amont sur l’analyse théorique de ces mesures, et d’autre part sur leur implémentation à grande échelle. 26
  27. 27. Merci pour votre attention 27
  28. 28. Résultats expérimentaux (2) La valeur a été fixée à 0.5 MAP (Mean Average Precision): Outil d’évaluation traditionnel qui est adopté dans le domaine de la recherche documentaire MAP (n): est employée dans notre travail pour évaluer n documents recherchés précision (n): bien connue pour l’examen de la qualité des documents appropriés. PM (Average Precision): tient en compte la moyenne des scores de précision des documents appropriés parmi top-k documents recherchés par une requête simple.. 28
  29. 29. Résultats expérimentaux (3) PMi(k): désigne la précision moyenne d’une requête i ni: désigne le nombre des documents appropriés de l’ième requête k: désigne le nombre de documents extraits Rij: est le rang du jème document approprié de l’ième requête 29
  30. 30. Résultats expérimentaux (4) MAP(k): permet de calculer le rang des k-premiers documents recherchés avec une précision (n) qn: désigne le nombre des requêtes exécutées 30
  31. 31. Estimation des expressions de DLS Estimer PAi (Bj , l), P(B) et P(l|B) avec MLE method Estimation de PAi (Bj , l) T: l’ensemble de termes dérivés du corpus basé sur l’ontologie de domaine et t le terme ayant un lien l avec Ai et/ou Bj. PAi (Bj , l) désigne la probabilité d’apparition du terme Ai et Bj avec le lien l. Si l est un lien sémantique (LS), il faut imposer une portion de texte qui ne dépasse pas une certaine limite (TL : Limite du texte en nombre de mots) et dans laquelle nous pouvons calculer les co-occurrences de Ai et Bj. 31
  32. 32. Estimation de PAi (Bj , l) (3) Si l est un lien hiérarchique (LH), nous définissons le modèle de co-occurrence TLS comme caractéristique lexique-syntaxique du lien sémantique se produisant dans le texte TL. (4) TL et TLS peuvent être différents lorsque les ontologies varient d’un domaine à un autre. 32
  33. 33. Estimation de P(B) (1) Structure de l’ontologie 5 |lB|: le nombre des liens du terme B c: Désigne un concept dans l’ontologie de domaine |lc| : désigne le nombre des liens du concept c. 33
  34. 34. Estimation de P(B) (2) 6 fq(c): désigne la fréquence de l’apparition des instances du concept c dans le corpus C correspondant à l’ontologie de domaine, fqB :désigne la fréquence de l’apparition du terme B dans le corpus C 34
  35. 35. Estimation de P(B) (3) 7 : est un coefficient permettant de combiner la structure de l’ontologie avec le corpus. Ce coefficient est adopté pour optimiser la performance de recherche de l’information. Ce modèle mixte devient Pot(B) si =0 et Pst(B) si =1. Nous avons attribué une valeur constante, par intuition, comme valeur pour . 35
  36. 36. Estimation de P(l|B) 8 |lB|r désigne le nombre des liens des relations l avec B |lB| désigne le nombre des tous les liens ayant des relations avec le concept B. 36

×