Le document explore l'évolution des systèmes d'information sémantiques, en contraste avec les méthodes traditionnelles de recherche d'information comme Google. Il met en avant l'importance d'attribuer du sens aux données pour améliorer la recherche, en utilisant des connaissances partagées et des normes sémantiques pour interconnecter les informations. De plus, il présente des exemples d'applications pratiques dans le Web sémantique et les données liées pour faciliter des recherches complexes.

1. Les Systèmes d’Information
Sémantiques
S. Garlatti

2. Le Google d’aujourd’hui
 Utilisez-vous
Google pour rechercher de l’information
?
• Trouvez-vous toujours ce que vous cherchez ?
• Quels sont les problèmes ?
• Etes-vous satisfait ?
page 2

3. Problématique
 Requête
: « directeur » « Paul Friedel »
• Intention : On ne veut que le site de Telecom Bretagne !
• XXX 000 résultats : toutes les pages qui contiennent ces
deux termes ou l’un des deux
page 3
Semantic Web in Action

4. Problématique
 Recherche
d’information de type Google
• Polysémie
• Nombre de résultats très important
page 4
Semantic Web in Action

5. Le Google d’Hier
=
page 5

6. Le Google d’Aujourd’hui
 Google
page 6
Now
Semantic Web in Action

7. Le Google d’Aujourd’hui
 Google
page 7
Now
Semantic Web in Action

8. Le Google d’Aujourd’hui
 Google
page 8
Now
Semantic Web in Action

9. Le Google d’Aujourd’hui
 Google
page 9
Now
Semantic Web in Action

10. Le Google d’Aujourd’hui
page 10
Semantic Web in Action

11. Quelques
page 11

12. Le Google d’Aujourd’hui
Knowledge Graph
page 12
Semantic Web in Action

13. Le Google Intelligent
=
page 13

14. Quelques exemples
 Facebook
•
•
•
•
•
page 14
: Graph Search
Restaurants londoniens où mes amis sont allés ?
Musique que mes amis aiment ?
Amateurs de cyclisme ?
Photos avant 1990 ?
Photos de mes amis à Philadelphie ?

15. Le Google Intelligent
Données
&
Services
Recherche
Fils de nouvelles
Syndication
Filtrage
Recommandation
Contenu
Tags
Social
Information
page 15

16. Le Google Intelligent
 Pourquoi
?
• Offrir de nouveaux services aux entreprises et au grand
public
- Comment : En réutilisant automatiquement le résultat d’une
recherche d’information
– Proposer des visites guidées, proposer de l’aide pour voyager en train,
en avion, en fonction de vos besoins et/ou de vos préférences, etc.
– Rechercher des entreprises ayant les compétences requises pour de
la sous-traitance
– Etc.
page 16

17. Problématique
Mais pour cela, il faut donner
Du SENS
aux Données !

18. Problématique
Que voyez-vous ?

19. Problématique
Que voyez-vous ?

20. Problématique
Comment attribuons-nous du sens aux données ?
Que voyez-vous ?

21. Problématique
Que voyez-vous ?

22. Problématique
Que voyez-vous ?

23. Problématique
Que voyez-vous ?

24. Problématique
Que voyez-vous ?

25. Problématique
Que voyez-vous ?

26. Problématique
Que voyez-vous ?

27. Problématique
Que voyez-vous ?

28. Problématique
Que voyez-vous ?





Shotokan-ryu
Goju-ryu
Wado-ryu
Shito-ryu
Shorin-ryu

29. Problématique

30. Problématique

Pour Donner du sens aux données
• Nous utilisons nos Connaissances
dans des Domaines Spécifiques
pour Identifier / Reconnaître ces données
• Connaissances partagées par des
communautés

31. Problématique
Enjeu principal du Web Sémantique &
Linked Data

• Utiliser ces connaissances pour annoter les ressources
au niveau sémantique
• Pour rechercher, réutiliser et partager, si possible
automatiquement, les informations

32. Le Google Intelligent
 Démonstration
• Recherche d’informations sur LinkedMDB
- Copie « Intelligente » de IMDB
- Trouver tous les films d’un acteur : Bruce Willis, etc.
- Trouver le ou les acteurs qui ont joué dans un ou des films de deux
producteurs :
– Sofia Coppola Francis Ford Coppola
– Clint Eastwood Buddy Van Horn
– Paul McGuigan Robert Schwentke
page 32

33. Semantic Web & Linked Data
 Démonstrations
sur LINKEDMDB et Dbpedia
• http://3s-web.enstb.org/Demo_Linked_Data/
page 33

34. Le Google Intelligent : Comment ?
 Description
des informations dans LinkedMDB
• Des phrases de type :
Sujet Verbe Complément
• Exemple
- Le film « RED » a pour acteur
Bruce Willis
- Le film « Red » a pour page web
http://…..
- Le film « RED » a pour producteur Robert Schwentke
page 34

35. Le Google Intelligent : Comment ?
 Compréhension
de ces phrases
• Différents contextes : différents termes
- « acteur », « actor », « director » « producteur », …
• Interprétation commune liée à des connaissances
communes
- Utilisation de vocabulaires standards partagés par tous !
- Chaque vocabulaire détermine un sens unique aux verbes, aux
catégories de sujets et de compléments
page 35

36. Le Google Intelligent : Comment ?
 Plus
formellement, ou presque
- « Red »
movie:actor
« Bruce Willis »
- « Red »
movie:director
« Robert Schwentke »
• « Red »
- « Red »

rdf:type
foaf:page
http://www.freebase…
Question
• Trouver tous les films dont Bruce Willis est acteur ?
- ?Film
- ?Film
page 36
movie:film
movie:actor
rdf:type
« Bruce Willis »
movie:film

37. Le Google Intelligent : Comment ?
 Site
Linkedmdb
• Film Red
http://data.linkedmdb.org/page/film/97209
• Acteur Bruce Willis
http://data.linkedmdb.org/page/actor/29961
page 37

38. Freebase Parallax
«
Faceted Semantic Search »
• http://parallax.freebaseapps.com/
• Question
- Which Schools did the Children of Republican Us
Presidents?
– Comment faire avec Wikipédia ?
– Comment fait-on avec Freebase Parallax ?
page 38
Semantic Web in Action

39. Freebase Parallax
 Question
: comment répondre ?
• US President are Presidents
• US Presidents Belong to a Party
• Republican Party is a Party
• US Presidents have Children
• Children studies in Schools
page 39
Semantic Web in Action

40. Semantic Web & Linked Data
RDF Graph
http://webofdata.wordpress.com/2010/09/27/linked-enterprise-data-in-a-nutshell/
page 40

41. Semantic Web & Linked Data
Source 1
Source 3
Source 2
page 41

42. Semantic Web & Linked Data
page 42

43. Le Google Intelligent : Comment ?
page 43

44. Linked Data = ? = Big Data

Une type particulier de Big Data
• DBpedia: Linked Data version of Wikipedia : more than 103 million RDF triples.
• The Bio2RDF project, a Semantic web atlas of post-genomic knowledge about human
and mouse, has published 27 biology-, gene- and medical-related data sets :
altogether 2.3 billion triples
• data.gov official website of the US government making over 1000 US government
datasets available as Linked Data (around 6.4 billion triples).
• GovTrack.us from Joshua Tauberer publishes linked data about members of the U.S.
Congress, as well as bills, committees and votes. 12M triples
• PDB2RDF Projekt making the Protein Data Bank available as Linked Data and via a
SPARQL endpoint (approximately 14 billion triples).
• RDF Book Mashup: Provides bibliographic information, reviews and sales offers for
most books that have a ISBN number. Maps data from Amazon and Google base to
RDF. Size of the data set: Unknown, billions of triples
• Etc.
page 44

45. Linked Data
 Linked
Open Data
• http://validator.lod-cloud.net/
 Linked
Sciences
• Linked Open Piracy (LOP)
- http://semanticweb.cs.vu.nl/poseidon/ns/home
- http://cliopatria.swiprolog.org/help/source/doc/home/vnc/prolog/src/ClioPatria/web/tuto
rial/Piracy.txt

46. Linked Data pour le Big Data
 Avantages
• Sémantique unique des entités
• Linked Data
- « A New architectural platform for interconnecting, mapping,
indexing, feeding real-time information from a variety of sources »
• Tim Berners Lee
- Web = « Global Giant Graph »
– Comme une unique base de données globale
– Requêtes complexes sur plusieurs sources
page 46

47. Linked Data pour le Big Data
 Avantages
• Déduction de nouvelles relations
- Qui pourront être utilisées plus tard pour de nouvelles analyses
• Standards
- SPARQL 1.1, OWL, RDF, RDFS, …..
• Passage à l’échelle
page 47