SlideShare une entreprise Scribd logo
Chapitre 4 :
Les logiques de description
Les logiques de description LD sont des formalismes de
représentation des connaissances descendant du système KL-
ONE (Brachman 2003) qui lui-même est issu à la fois des
réseaux sémantiques (Ross Quillian 1968) et des frames (M.
.Minsky 1975).
Un réseau KL-ONE est un ensemble d’éléments en relation les
uns avec les autres. Les éléments du réseau sont des concepts et
les relations du réseau sont appelées des rôles.
Les concepts peuvent être primitifs (ils possèdent alors des
propriétés nécessaires mais pas suffisantes) ou définis (ils
possèdent alors des propriétés nécessaires et suffisantes).
Si C est un concept défini, le système KL-ONE peut répondre à
des questions du type : ‘’ le concept C subsume-t-il le concept
D? ou le concept C est-il subsumé par le concept D?
KL-ONE est doté d’un classifieur qui place les nouveaux
concepts définis dans la hiérarchie existante (taxonomie).
Phases of Description Logic Research
• Phase 0 (1965-1980): Pre-DL phase
– Semantic networks, frames, structured inheritance networks
• Phase 1 (1980-1990): Structural subsumption algorithms
– Implementation of systems
• KL-ONE, K-Rep, Krypton, Back, LOOM
• Phase 2 (1990-1995) Tableau-based algorithms
– Focus on propositionally closed DLs
– Thorough analysis of complexity of reasoning
• Phase 3 (1995-2000) Very expressive DLs
– Improving Tableau-based methods or conversion to modal logic
• Phase 4 (2000-onwards)
– Industrial strength system for very expressive DLs with applications
to semantic web, bio-medical informatics
Modern Description Logics
• Well-defined formal semantics
– Fragments of First Order Logic
– Closely related to propositional modal logic
• Computational properties are well understood
• Reasoning services
– Practical decision procedures for key problems:
o satisfiability, subsumption
– Several implemented reasoning systems are available
Modern Notation
• A man that is married to a doctor, and all of whose
children are either doctors or professors.
• Un homme marié à une docteure, don’t tous les enfants
sont docteurs ou professeurs.
– Brachman & Levesque notation :
[AND Man
[EXISTS :married Doctor]
[ALL : hasChild [OR Doctor Professor]]
- Current Notation:
Human ⊓  Female ⊓ (married.Doctor)
⊓ (hasChild.(Doctor ⊔ Professor))
De la logique modale minimale K à la logique multi-modale
minimale K(m)
o Les axiomes (A1), (A2) et (A3) de la logique propositionnelle
oPlus l’axiome (A6) de distributivité de la nécessité sur l’implication matérielle:
(A6) : (□(a  b)  (□ a  □ b))
o Les règles d’inférence (R1) et (R2) de substitution et de modus ponens
o Plus la règle d’inférence de nécessitation (R6) :
si x est une formule,
R6(x) est l’ensemble contenant l’unique élément □x
o La logique modale minimale K considère un seul agent, et donc un seul
opérateur modal de nécessité, et les modèles modaux correspondants, de la
forme <W,R,v>, ont une seule relation d’accessibilité sans propriétés
particulières
o La logique multi-modale K(m) est une généralisation à m agents, et donc m
opérateurs modaux de nécesssité, et les modèles modaux correspondants sont
les structures de Kripke de la forme <W,R1,…,Rm,v>, avec m relations
d’accessibilité sans propriétés particulières, une par agent.
Système de déduction K(m)
o La logique multi-modale propositionnelle K(m) comporte
les axiomes (A1), (A2) et (A3) de la logique
propositionnelle ; plus l’axiome (A6) :
(A6) : (□i(a  b)  (□ia  □ib)), pour tout i de 1 à m
(distributivité de la nécessité sur l’implication matérielle)
o Les règles d’inférence sont les règles de substitution et de
modus ponens (R1) et (R2) auxquelles s’ajoute la règle
(R6) :
(R6) [nécessitation] : si x est une formule, R6(x,i) est
l’ensemble contenant l’unique élément □ix
oHalpern et Moses [IJCAI 1985] :
Le système multi-modal K(m) est correct et complet :
f théorème ssi f tautologie
De la logique multi-modale minimale K(m) à la logique de
description ALC
Schild (IJCAI 1991) : la logique de description ALC est une
variante notationnelle de la logique multi-modale K(m)
The Description Logic ALC
• Attributive Concept Language with Complements
NC – set of concept names (e.g., Parent, Sister, Student)
NR – set of role names (e.g., EmployedBy, MotherOf)
NI – set of individual names (e.g., a1, a2, …)
• The set of ALC concepts is the smallest set such that:
– The following are concepts:
⊤ (top is a concept), ⊥ (bottom is a concept), every ANC (all
atomic concepts are concepts)
– If C and D are concepts and RNR then the following are concepts:
o C ⊓ D (the intersection of two concepts is a concept)
o C ⊔ D (the union of two concepts is a concept)
o C (the complement of a concept is a concept)
o R.C (the universal restriction of a concept by a role is a concept)
o R.C (the existential restriction of a concept by a role is a concept)
The Description Logic ALC
• Un concept permet de représenter un ensemble d’individus (relation
unaire).
• Un rôle représente une relation binaire entre individus.
The Description Logic ALC
La modélisation des connaissances d’un domaine avec les LD se réalise
en deux niveaux. Le premier, le niveau terminologique ou TBox, décrit
les connaissances générales d’un domaine alors que le second, le niveau
factuel ou ABox, représente une configuration précise.
Une TBox (Terminological Box) comprend la définition des concepts et
des rôles, alors qu’une ABox (Assertional Box) décrit les individus en les
nommant et en spécifiant, en terme de concepts et de rôles, des assertions
qui portent sur ces individus nommés.
Plusieurs ABox peuvent être associés à une même TBox ; chacune
représente une configuration constituée d’individus, et utilise les
concepts et rôles de la TBox pour l’exprimer.
The Description Logic ALC
• Terminological Axioms (TBox)
– A general concept inclusion axiom has the form C ⊑ D where C and
D are concepts
– Write C ≡ D iff both C ⊑ D and D ⊑ C
– A TBox is a finite set of GCIs
• Assertional Axioms (ABox)
– A concept assertion is a statement of the form a:C where aNI and
C is a concept
– A role assertion is a statement of the form (a,b):R where a, bNI
and R is a role
– An ABox is a finite set of assertional axioms
• Knowledge Base (KB)
– A KB is an ordered pair (T,A) for a TBox T and ABox A
– A KB is also called ontology
Knowledge Base
-Example-
• TBox T :
Course ⊑ Person
Teacher ⊑ Person ⊓ Teaches.Course
Teaches.T ⊑ Person
Student ⊑ Person ⊓ Attends.Course
Attends.T ⊑ Person
• ABox A :
Mary : Person
CS600 : Course
Alice : Person ⊓ Teacher
(Alice; CS600) : Teaches
(Mary; CS600) : Attends
Interpretation
An interpretation I = (I,.I) consists of a non-empty set
I, the domain of I, and a function .I which maps every
concept name to a subset of I , every role name to a subset
of I xI, and every individual name to an element of I, such
that:
(C ⊓ D)I = CI ∩ DI
(C ⊔ D)I = CI  DI
CI = I  CI
(R.C)I = {xI | yI such that (x,y)RI and yCI}
(R.C)I = {xI | for all yI , if (x,y)RI then yCI}
Satisfiability and Subsumption
A concept C is satisfiable if there is an interpretation I with CI∅.
Such an interpretation is called a model of C.
A concept D subsumes a concept C (written C ⊑ D) if CI ⊆ DI holds
in every interpretation I. Two concepts C and D are equivalent
(written C ≡ D) if they subsume each other.
Subsumption and satisfiability can be reduced to
each other:
C ⊑ D iff C ⊓ D is not satisfiable
C satisfiable iff C ⋢ ⊥
Satisfiability and Subsumption
with respect to a KB
An interpretation I satisfies a GCI axiom C ⊑ D, written I⊨C⊑D, if CI ⊆ DI; and I satisfies
a TBox T, written I⊨T, if I satisfies each GCI axiom of T ; such an interpretation is called
a model of T.
An interpretation I satisfies a concept assertion a:C, written I⊨a:C, if aICI; I satisfies a
role assertion (a,b):R , written I⊨(a,b):R, if (aI,bI)RI; and I satisfies an ABox A, written
I⊨A, if I satisfies each assertional axiom of A ; such an interpretation is called a model
of A.
An interpretation I is a model of a KB K=(T,A) , written I⊨K, if it is a model of T and a
model of A: I⊨K iff I⊨T and I⊨A.
A concept C is satisfiable w.r.t. a KB K if there is a model I of K with CI∅. Such an
interpretation is called a model of C w.r.t. K. A KB K entails a concept C, written K⊨C, if
CI∅, for every model I of K.
A concept D subsumes a concept C w.r.t. a KB K (written C ⊑K D, or K⊨C⊑D, or K entails
C ⊑ D) if CI ⊆ DI holds in every model I of K. Two concepts C and D are equivalent w.r.t.
K (written C ≡K D, or K⊨ C ≡ D) if they subsume each other w.r.t. K.
Satisfiability and Subsumption
with respect to a KB
Satisfiability and subsumption w.r.t. to a KB can be
reduced to each other:
K⊨C⊑D iff K⊭C⊓D
K⊨C iff K⊭C ⊑ ⊥
Naming Conventions
S : basic DL (ALC) plus transitive roles (e.g., ancestor  R+)
N : number restrictions (e.g., ≥2hasChild, ≤3hasChild)
Q : Qualified number restrictions (e.g., ≥2hasChild.Doctor)
D : concrete domains (e.g., real, integer, string)
O : Nominals, i.e., individual names:
e.g., Scientists ⊓ (hasMet.{Turing})
I : inverse roles (e.g., isChildOf ≡ hasChild-)
H : role hierarchy (e.g., hasDaughter ⊆ hasChild)
SHOIN(D) : A ALC description logic with transitive roles, role
hierarchies, nominals, inverse roles, number restrictions, and
a concrete domain ==> the logic of the language OWL-DL
Tableau Algorithms
• Model construction
 Prove entailment does not hold by constructing model
of KB in which axiom/fact is false
 tableau expansion rules used to derive new ABox facts
• Currently the most widely used technique
 Basis for reasoners such as FaCT++, HermiT, Pellet,
Racer, …
 Standard technique is to negate premise axiom/fact
Tableau Algorithms
Expansion Rules for ALC
Expansion Example
Expansion Example
Start with the assertions in the Abox:
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
Showing that K⊨Mary:Doctor (KB K entails Mary:Doctor, ou Mary:Doctor est une conséquence
logique de la base de connaissances K) is equivalent to showing that K{Mary:Doctor} is
not satisfiable.
Méthode des tableaux sémantiques :
- Si toutes les branches de l’arbre sont fermées (clash) alors K{Mary:Doctor} est non
satisfiable, et donc K⊨Mary:Doctor (Mary:Doctor est une conséquence logique de K)
- Si la méthode des tableaux arrive à construire une branche ouverte complète, cette
dernière correspondra à un modèle de K satsifaisant Mary:Doctor, et on aura montré
K⊭Mary:Doctor (Mary:Doctor n’est pas une conséquence logique de K).
So the tableaux method proceeds by adding the assertion Mary:Doctor to the ABox:
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
In 1. replace defined concept HappyParent with the right hand side of the definition:
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
Apply the ⊓–rule to 4. :
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
In 5. replace defined concept Parent with the right hand side of the definition:
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
Apply the –rule to 2. and 6. :
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
8. Mary: Doctor ⊔ hasChild.Doctor
Apply the ⊓–rule to 7. :
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
8. Mary: Doctor ⊔ hasChild.Doctor
9. John:Person
10. John: hasChild.Person
Apply the ⊔–rule to 8. : choice (branching)
- first Mary: Doctor
- then Mary: hasChild.Doctor
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
8. Mary: Doctor ⊔ hasChild.Doctor
9. John:Person
10. John: hasChild.Person
11. Mary:Doctor
Apply the clash-rule to 3. and 11. :
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
8. Mary: Doctor ⊔ hasChild.Doctor
9. John:Person
10. John: hasChild.Person
11. Mary:Doctor
12. ⊥
The branch is now closed (clash). We continue our exploration by backtracking to the second choice we left when we
applied the ⊔–rule to 8. :
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
8. Mary: Doctor ⊔ hasChild.Doctor
9. John:Person
10. John: hasChild.Person
11. Mary:Doctor 13.Mary: hasChild.Doctor
12. ⊥
Apply the  -rule to 10. :
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
8. Mary: Doctor ⊔ hasChild.Doctor
9. John:Person
10. John: hasChild.Person
11. Mary:Doctor 13. Mary: hasChild.Doctor
12. ⊥ 14. (John,a):hasChild
15. a:Person
Apply the  -rule to 13. :
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
8. Mary: Doctor ⊔ hasChild.Doctor
9. John:Person
10. John: hasChild.Person
11. Mary:Doctor 13. Mary: hasChild.Doctor
12. ⊥ 14. (John,a):hasChild
15. a:Person
16. (Mary,b):hasChild
17. b:Doctor
Apply the first GCI axiom of the TBox to 17. :
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
8. Mary: Doctor ⊔ hasChild.Doctor
9. John:Person
10. John: hasChild.Person
11. Mary:Doctor 13. Mary: hasChild.Doctor
12. ⊥ 14. (John,a):hasChild
15. a:Person
16. (Mary,b):hasChild
17. b:Doctor
18. b:Person
Apply the –rule to 14. and 6. :
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
8. Mary: Doctor ⊔ hasChild.Doctor
9. John:Person
10. John: hasChild.Person
11. Mary:Doctor 13. Mary: hasChild.Doctor
12. ⊥ 14. (John,a):hasChild
15. a:Person
16. (Mary,b):hasChild
17. b:Doctor
18. b:Person
19. a: Doctor ⊔ hasChild.Doctor
Apply the ⊔–rule> to 19. : choice (branching)  first a: Doctor, then a: hasChild.Doctor
Expansion Example
1. John: HappyParent <concept assertion>
2. (John,Mary): hasChild <role assertion>
3. Mary: Doctor
4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor)
5. John: Parent
6. John: hasChild.(Doctor ⊔ hasChild.Doctor)
7. John: Person ⊓ hasChild.Person
8. Mary: Doctor ⊔ hasChild.Doctor
9. John:Person
10. John: hasChild.Person
11. Mary:Doctor 13. Mary: hasChild.Doctor
12. ⊥ 14. (John,a):hasChild
15. a:Person
16. (Mary,b):hasChild
17. b:Doctor
18. b:Person
19. a: Doctor ⊔ hasChild.Doctor
20. a:Doctor
Expansion Example
Model of K{Mary: Doctor}:
I = (I,.I), with:
I ={John,Mary,a,b},
DoctorI={a,b},
PersonI={John,a,b},
happyParentI={John},
ParentI={John}
hasChildI={(John,Mary),(John,a),(Mary,b))}
Algorithmes de vérification de
satisfiabilité à base de tableaux sémantiques
• Dans les années 1990, une nouvelle classe d'algorithmes est
apparue: les algorithmes de vérification de satisfiabilité à
base de tableaux (tableau-based algorithms).
• Ces derniers raisonnent sur des LD dites expressives ou très
expressives, mais en temps exponentiel.
• Cependant, en pratique, le comportement des algorithmes
est souvent acceptable.
• L'expressivité accrue a ouvert la porte à de nouvelles
applications telles que le Web sémantique.
Satisfiabilité
• Les algorithmes pour déterminer la satisfiabilité sont basés
sur des techniques de calcul de tableaux.
• La complétude est une propriété très importante pour
l’utilisation des LD dans des applications du monde réel.
• Ces algorithmes sont efficaces pour les bases de
connaissances moyennes et réelles, même si leur complexité
dans la logique est en PSPACE ou EXPTIME.
La méthode des tableaux sémantiques
• La méthode des tableaux sémantiques peut être considérée
comme une procédure pour construire une interprétation
satisfaisante de l’assertion d’un concept donné.
• Pour des raisons de commodité, nous nous concentrons sur
les procédures qui travaillent avec des concepts sous forme
normale négative (negation normal form).
Forme normale négative
(Negation normal form)
• Soit C un concept arbitraire dans ALC
• On dit que C est en forme normale négative (FNN) ssi ¬
apparaît seulement immédiatement devant le nom d’un
concept
• La FNN peut être calculée en appliquant les règles suivantes:
Forme normale négative
Exemple
La méthode des tableaux sémantiques
comme système de réfutation
• La méthode des tableaux sémantiques est une procédure de preuve
formelle, existant dans plusieurs logiques, mais toujours avec les
mêmes caractéristiques
• La méthode des tableaux sémantiques est un système de réfutation :
étant donné un système initial de contraintes ou tableau T, il tente soit
de montrer que T est insatisfiable, soit d’en construire une
interprétation satisfaisante (un modèle).
• Essentiellement, la méthode des tableaux sémantiques peut se
résumer en une suite de séries d'affirmations construites sous forme
d’un arbre, selon des règles d'inférence, chaque branche de l’arbre
correspondant à une des séries d’affirmation.
La méthode des tableaux sémantiques
comme système de réfutation
• Les règles d'inférence stipulent comment un tableau T est
transformé en un nouveau tableau en transformant une
branche en n nouvelles branches. Cela se fait en élargissant la
branche à sa feuille, en créant jusqu'à n noeuds successeurs.
• Chacun des nouveaux noeuds contient de nouvelles
affirmations.
Forme générale des règles d’inférence
• En général, les règles d’inférence, appelées règles
d’expansion, sont de la forme:
où X et Xi dénotent une ou plusieurs assertions
• Si le tableau T contient des assertions de la forme X, alors le
tableau est étendu en développant la branche qui contient X
à sa feuille en créant n noeuds successeurs.
• Le noeud successeur 1 contient X1, …, le nœud successeur n
contient Xn.
• Les assertions dans X sont des prémisses, les assertions dans
Xi sont des conclusions.
Règles d’expansion dans ALC
La règle d’expansion “et”
La règle d’expansion “ou”
La règle d’expansion “CLASH”
La règle d’expansion “some”
La règle d’expansion “all”
La méthode des tableaux pour tester la satisfiabilité d’un
concept
Pour résoudre le problème : est-ce que le concept C est
satisfiable/consistant ?
1. Le tableau initial est {x : nnf(C)}, i.e. un ensemble fini
d’assertions en forme normale négative.
2. Pour chaque branche, appliquer les règles d’expansion
3. Arrêter d’étendre une branche si :
• Elle contient une assertion de la forme a : ⊥, ce qui veut dire que
la branche est fermée
• Il n’existe plus aucune règle d’expansion applicable. Dans ce cas la
branche est complète.
4. Arrêter si une branche complète est trouvée dans le tableau T
ou si toutes les branches sont fermées. Sinon, recommencer à 2.
Validité et complétude de la méthode des tableaux
• Un ensemble d’assertions en FNN est non satisfiable ssi
l’algorithme du tableau peut être utilisé pour construire un
tableau fermé
• Plus précisément:
o L’entrée est insatisfiable /inconsistante ssi toutes les branches de
n’importe quel arbre de dérivation construit à partir de
l’entrée sont fermées
o L’entrée est satisfiable/consistante ssi il existe une
branche ouverte complète dans un arbre de dérivation
construit à partir de l’entrée
Exemple
• Est-ce que le concept suivant est consistant /satisfiable ?
• Déjà en FNN
• Tableau initial:
Exemple (suite)
Exemple (suite)
Exemple (suite)
Exemple (suite)
Exemple (suite)
Exemple (suite)
Exemple (suite)
Puisque toutes les branches sont fermées, on en déduit que
le concept en entrée n’est pas satisfiable.

Contenu connexe

Dernier

Note Agro-climatique et prairies n°4 - Juin 2024
Note Agro-climatique et prairies n°4 - Juin 2024Note Agro-climatique et prairies n°4 - Juin 2024
Note Agro-climatique et prairies n°4 - Juin 2024
idelewebmestre
 
SRE - Mythes et Réalités - Voxxed 2024.pdf
SRE - Mythes et Réalités - Voxxed 2024.pdfSRE - Mythes et Réalités - Voxxed 2024.pdf
SRE - Mythes et Réalités - Voxxed 2024.pdf
Henri Gomez
 
Alternative au 3eme lien et complement au Tramway de la ville de Quebec Rev 1...
Alternative au 3eme lien et complement au Tramway de la ville de Quebec Rev 1...Alternative au 3eme lien et complement au Tramway de la ville de Quebec Rev 1...
Alternative au 3eme lien et complement au Tramway de la ville de Quebec Rev 1...
Daniel Bedard
 
Alternative - Complément au Tramway et 3 ème lien de la ville de Quebec (PDF)
Alternative - Complément au Tramway  et 3 ème lien de la ville de Quebec (PDF)Alternative - Complément au Tramway  et 3 ème lien de la ville de Quebec (PDF)
Alternative - Complément au Tramway et 3 ème lien de la ville de Quebec (PDF)
Daniel Bedard
 
PFE MASTER en Développement d’une Application E-commerce avec la Technologie ...
PFE MASTER en Développement d’une Application E-commerce avec la Technologie ...PFE MASTER en Développement d’une Application E-commerce avec la Technologie ...
PFE MASTER en Développement d’une Application E-commerce avec la Technologie ...
ayoub_anbara96
 
Rénovation des prairies sans labour est-ce possible en bio.pdf
Rénovation des prairies sans labour est-ce possible en bio.pdfRénovation des prairies sans labour est-ce possible en bio.pdf
Rénovation des prairies sans labour est-ce possible en bio.pdf
idelewebmestre
 
S210-S-27.04-chaudiere-à-vapeur bilan thermique
S210-S-27.04-chaudiere-à-vapeur bilan thermiqueS210-S-27.04-chaudiere-à-vapeur bilan thermique
S210-S-27.04-chaudiere-à-vapeur bilan thermique
ALIIAE
 
PFE ABDOUS BERRI 2024, RAPPORT COMPLET RETA FINAL.pdf
PFE ABDOUS BERRI 2024, RAPPORT COMPLET RETA FINAL.pdfPFE ABDOUS BERRI 2024, RAPPORT COMPLET RETA FINAL.pdf
PFE ABDOUS BERRI 2024, RAPPORT COMPLET RETA FINAL.pdf
iheberry
 

Dernier (8)

Note Agro-climatique et prairies n°4 - Juin 2024
Note Agro-climatique et prairies n°4 - Juin 2024Note Agro-climatique et prairies n°4 - Juin 2024
Note Agro-climatique et prairies n°4 - Juin 2024
 
SRE - Mythes et Réalités - Voxxed 2024.pdf
SRE - Mythes et Réalités - Voxxed 2024.pdfSRE - Mythes et Réalités - Voxxed 2024.pdf
SRE - Mythes et Réalités - Voxxed 2024.pdf
 
Alternative au 3eme lien et complement au Tramway de la ville de Quebec Rev 1...
Alternative au 3eme lien et complement au Tramway de la ville de Quebec Rev 1...Alternative au 3eme lien et complement au Tramway de la ville de Quebec Rev 1...
Alternative au 3eme lien et complement au Tramway de la ville de Quebec Rev 1...
 
Alternative - Complément au Tramway et 3 ème lien de la ville de Quebec (PDF)
Alternative - Complément au Tramway  et 3 ème lien de la ville de Quebec (PDF)Alternative - Complément au Tramway  et 3 ème lien de la ville de Quebec (PDF)
Alternative - Complément au Tramway et 3 ème lien de la ville de Quebec (PDF)
 
PFE MASTER en Développement d’une Application E-commerce avec la Technologie ...
PFE MASTER en Développement d’une Application E-commerce avec la Technologie ...PFE MASTER en Développement d’une Application E-commerce avec la Technologie ...
PFE MASTER en Développement d’une Application E-commerce avec la Technologie ...
 
Rénovation des prairies sans labour est-ce possible en bio.pdf
Rénovation des prairies sans labour est-ce possible en bio.pdfRénovation des prairies sans labour est-ce possible en bio.pdf
Rénovation des prairies sans labour est-ce possible en bio.pdf
 
S210-S-27.04-chaudiere-à-vapeur bilan thermique
S210-S-27.04-chaudiere-à-vapeur bilan thermiqueS210-S-27.04-chaudiere-à-vapeur bilan thermique
S210-S-27.04-chaudiere-à-vapeur bilan thermique
 
PFE ABDOUS BERRI 2024, RAPPORT COMPLET RETA FINAL.pdf
PFE ABDOUS BERRI 2024, RAPPORT COMPLET RETA FINAL.pdfPFE ABDOUS BERRI 2024, RAPPORT COMPLET RETA FINAL.pdf
PFE ABDOUS BERRI 2024, RAPPORT COMPLET RETA FINAL.pdf
 

En vedette

Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
Kurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
SpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Lily Ray
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
Rajiv Jayarajah, MAppComm, ACC
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
Christy Abraham Joy
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
Vit Horky
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
MindGenius
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
RachelPearson36
 
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Applitools
 
12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work
GetSmarter
 
ChatGPT webinar slides
ChatGPT webinar slidesChatGPT webinar slides
ChatGPT webinar slides
Alireza Esmikhani
 
More than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike RoutesMore than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike Routes
Project for Public Spaces & National Center for Biking and Walking
 
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
DevGAMM Conference
 
Barbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationBarbie - Brand Strategy Presentation
Barbie - Brand Strategy Presentation
Erica Santiago
 
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellGood Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Saba Software
 

En vedette (20)

Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
 
12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work
 
ChatGPT webinar slides
ChatGPT webinar slidesChatGPT webinar slides
ChatGPT webinar slides
 
More than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike RoutesMore than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike Routes
 
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
 
Barbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationBarbie - Brand Strategy Presentation
Barbie - Brand Strategy Presentation
 
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellGood Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
 

TableauxALC.pdf

  • 1. Chapitre 4 : Les logiques de description Les logiques de description LD sont des formalismes de représentation des connaissances descendant du système KL- ONE (Brachman 2003) qui lui-même est issu à la fois des réseaux sémantiques (Ross Quillian 1968) et des frames (M. .Minsky 1975). Un réseau KL-ONE est un ensemble d’éléments en relation les uns avec les autres. Les éléments du réseau sont des concepts et les relations du réseau sont appelées des rôles. Les concepts peuvent être primitifs (ils possèdent alors des propriétés nécessaires mais pas suffisantes) ou définis (ils possèdent alors des propriétés nécessaires et suffisantes). Si C est un concept défini, le système KL-ONE peut répondre à des questions du type : ‘’ le concept C subsume-t-il le concept D? ou le concept C est-il subsumé par le concept D? KL-ONE est doté d’un classifieur qui place les nouveaux concepts définis dans la hiérarchie existante (taxonomie).
  • 2. Phases of Description Logic Research • Phase 0 (1965-1980): Pre-DL phase – Semantic networks, frames, structured inheritance networks • Phase 1 (1980-1990): Structural subsumption algorithms – Implementation of systems • KL-ONE, K-Rep, Krypton, Back, LOOM • Phase 2 (1990-1995) Tableau-based algorithms – Focus on propositionally closed DLs – Thorough analysis of complexity of reasoning • Phase 3 (1995-2000) Very expressive DLs – Improving Tableau-based methods or conversion to modal logic • Phase 4 (2000-onwards) – Industrial strength system for very expressive DLs with applications to semantic web, bio-medical informatics
  • 3. Modern Description Logics • Well-defined formal semantics – Fragments of First Order Logic – Closely related to propositional modal logic • Computational properties are well understood • Reasoning services – Practical decision procedures for key problems: o satisfiability, subsumption – Several implemented reasoning systems are available
  • 4. Modern Notation • A man that is married to a doctor, and all of whose children are either doctors or professors. • Un homme marié à une docteure, don’t tous les enfants sont docteurs ou professeurs. – Brachman & Levesque notation : [AND Man [EXISTS :married Doctor] [ALL : hasChild [OR Doctor Professor]] - Current Notation: Human ⊓  Female ⊓ (married.Doctor) ⊓ (hasChild.(Doctor ⊔ Professor))
  • 5. De la logique modale minimale K à la logique multi-modale minimale K(m) o Les axiomes (A1), (A2) et (A3) de la logique propositionnelle oPlus l’axiome (A6) de distributivité de la nécessité sur l’implication matérielle: (A6) : (□(a  b)  (□ a  □ b)) o Les règles d’inférence (R1) et (R2) de substitution et de modus ponens o Plus la règle d’inférence de nécessitation (R6) : si x est une formule, R6(x) est l’ensemble contenant l’unique élément □x o La logique modale minimale K considère un seul agent, et donc un seul opérateur modal de nécessité, et les modèles modaux correspondants, de la forme <W,R,v>, ont une seule relation d’accessibilité sans propriétés particulières o La logique multi-modale K(m) est une généralisation à m agents, et donc m opérateurs modaux de nécesssité, et les modèles modaux correspondants sont les structures de Kripke de la forme <W,R1,…,Rm,v>, avec m relations d’accessibilité sans propriétés particulières, une par agent.
  • 6. Système de déduction K(m) o La logique multi-modale propositionnelle K(m) comporte les axiomes (A1), (A2) et (A3) de la logique propositionnelle ; plus l’axiome (A6) : (A6) : (□i(a  b)  (□ia  □ib)), pour tout i de 1 à m (distributivité de la nécessité sur l’implication matérielle) o Les règles d’inférence sont les règles de substitution et de modus ponens (R1) et (R2) auxquelles s’ajoute la règle (R6) : (R6) [nécessitation] : si x est une formule, R6(x,i) est l’ensemble contenant l’unique élément □ix oHalpern et Moses [IJCAI 1985] : Le système multi-modal K(m) est correct et complet : f théorème ssi f tautologie
  • 7. De la logique multi-modale minimale K(m) à la logique de description ALC Schild (IJCAI 1991) : la logique de description ALC est une variante notationnelle de la logique multi-modale K(m)
  • 8. The Description Logic ALC • Attributive Concept Language with Complements NC – set of concept names (e.g., Parent, Sister, Student) NR – set of role names (e.g., EmployedBy, MotherOf) NI – set of individual names (e.g., a1, a2, …) • The set of ALC concepts is the smallest set such that: – The following are concepts: ⊤ (top is a concept), ⊥ (bottom is a concept), every ANC (all atomic concepts are concepts) – If C and D are concepts and RNR then the following are concepts: o C ⊓ D (the intersection of two concepts is a concept) o C ⊔ D (the union of two concepts is a concept) o C (the complement of a concept is a concept) o R.C (the universal restriction of a concept by a role is a concept) o R.C (the existential restriction of a concept by a role is a concept)
  • 9. The Description Logic ALC • Un concept permet de représenter un ensemble d’individus (relation unaire). • Un rôle représente une relation binaire entre individus.
  • 10. The Description Logic ALC La modélisation des connaissances d’un domaine avec les LD se réalise en deux niveaux. Le premier, le niveau terminologique ou TBox, décrit les connaissances générales d’un domaine alors que le second, le niveau factuel ou ABox, représente une configuration précise. Une TBox (Terminological Box) comprend la définition des concepts et des rôles, alors qu’une ABox (Assertional Box) décrit les individus en les nommant et en spécifiant, en terme de concepts et de rôles, des assertions qui portent sur ces individus nommés. Plusieurs ABox peuvent être associés à une même TBox ; chacune représente une configuration constituée d’individus, et utilise les concepts et rôles de la TBox pour l’exprimer.
  • 11. The Description Logic ALC • Terminological Axioms (TBox) – A general concept inclusion axiom has the form C ⊑ D where C and D are concepts – Write C ≡ D iff both C ⊑ D and D ⊑ C – A TBox is a finite set of GCIs • Assertional Axioms (ABox) – A concept assertion is a statement of the form a:C where aNI and C is a concept – A role assertion is a statement of the form (a,b):R where a, bNI and R is a role – An ABox is a finite set of assertional axioms • Knowledge Base (KB) – A KB is an ordered pair (T,A) for a TBox T and ABox A – A KB is also called ontology
  • 12. Knowledge Base -Example- • TBox T : Course ⊑ Person Teacher ⊑ Person ⊓ Teaches.Course Teaches.T ⊑ Person Student ⊑ Person ⊓ Attends.Course Attends.T ⊑ Person • ABox A : Mary : Person CS600 : Course Alice : Person ⊓ Teacher (Alice; CS600) : Teaches (Mary; CS600) : Attends
  • 13. Interpretation An interpretation I = (I,.I) consists of a non-empty set I, the domain of I, and a function .I which maps every concept name to a subset of I , every role name to a subset of I xI, and every individual name to an element of I, such that: (C ⊓ D)I = CI ∩ DI (C ⊔ D)I = CI  DI CI = I CI (R.C)I = {xI | yI such that (x,y)RI and yCI} (R.C)I = {xI | for all yI , if (x,y)RI then yCI}
  • 14. Satisfiability and Subsumption A concept C is satisfiable if there is an interpretation I with CI∅. Such an interpretation is called a model of C. A concept D subsumes a concept C (written C ⊑ D) if CI ⊆ DI holds in every interpretation I. Two concepts C and D are equivalent (written C ≡ D) if they subsume each other. Subsumption and satisfiability can be reduced to each other: C ⊑ D iff C ⊓ D is not satisfiable C satisfiable iff C ⋢ ⊥
  • 15. Satisfiability and Subsumption with respect to a KB An interpretation I satisfies a GCI axiom C ⊑ D, written I⊨C⊑D, if CI ⊆ DI; and I satisfies a TBox T, written I⊨T, if I satisfies each GCI axiom of T ; such an interpretation is called a model of T. An interpretation I satisfies a concept assertion a:C, written I⊨a:C, if aICI; I satisfies a role assertion (a,b):R , written I⊨(a,b):R, if (aI,bI)RI; and I satisfies an ABox A, written I⊨A, if I satisfies each assertional axiom of A ; such an interpretation is called a model of A. An interpretation I is a model of a KB K=(T,A) , written I⊨K, if it is a model of T and a model of A: I⊨K iff I⊨T and I⊨A. A concept C is satisfiable w.r.t. a KB K if there is a model I of K with CI∅. Such an interpretation is called a model of C w.r.t. K. A KB K entails a concept C, written K⊨C, if CI∅, for every model I of K. A concept D subsumes a concept C w.r.t. a KB K (written C ⊑K D, or K⊨C⊑D, or K entails C ⊑ D) if CI ⊆ DI holds in every model I of K. Two concepts C and D are equivalent w.r.t. K (written C ≡K D, or K⊨ C ≡ D) if they subsume each other w.r.t. K.
  • 16. Satisfiability and Subsumption with respect to a KB Satisfiability and subsumption w.r.t. to a KB can be reduced to each other: K⊨C⊑D iff K⊭C⊓D K⊨C iff K⊭C ⊑ ⊥
  • 17. Naming Conventions S : basic DL (ALC) plus transitive roles (e.g., ancestor  R+) N : number restrictions (e.g., ≥2hasChild, ≤3hasChild) Q : Qualified number restrictions (e.g., ≥2hasChild.Doctor) D : concrete domains (e.g., real, integer, string) O : Nominals, i.e., individual names: e.g., Scientists ⊓ (hasMet.{Turing}) I : inverse roles (e.g., isChildOf ≡ hasChild-) H : role hierarchy (e.g., hasDaughter ⊆ hasChild) SHOIN(D) : A ALC description logic with transitive roles, role hierarchies, nominals, inverse roles, number restrictions, and a concrete domain ==> the logic of the language OWL-DL
  • 18. Tableau Algorithms • Model construction  Prove entailment does not hold by constructing model of KB in which axiom/fact is false  tableau expansion rules used to derive new ABox facts • Currently the most widely used technique  Basis for reasoners such as FaCT++, HermiT, Pellet, Racer, …  Standard technique is to negate premise axiom/fact
  • 22. Expansion Example Start with the assertions in the Abox: 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> Showing that K⊨Mary:Doctor (KB K entails Mary:Doctor, ou Mary:Doctor est une conséquence logique de la base de connaissances K) is equivalent to showing that K{Mary:Doctor} is not satisfiable. Méthode des tableaux sémantiques : - Si toutes les branches de l’arbre sont fermées (clash) alors K{Mary:Doctor} est non satisfiable, et donc K⊨Mary:Doctor (Mary:Doctor est une conséquence logique de K) - Si la méthode des tableaux arrive à construire une branche ouverte complète, cette dernière correspondra à un modèle de K satsifaisant Mary:Doctor, et on aura montré K⊭Mary:Doctor (Mary:Doctor n’est pas une conséquence logique de K). So the tableaux method proceeds by adding the assertion Mary:Doctor to the ABox:
  • 23. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor In 1. replace defined concept HappyParent with the right hand side of the definition:
  • 24. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) Apply the ⊓–rule to 4. :
  • 25. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) In 5. replace defined concept Parent with the right hand side of the definition:
  • 26. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person Apply the –rule to 2. and 6. :
  • 27. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person 8. Mary: Doctor ⊔ hasChild.Doctor Apply the ⊓–rule to 7. :
  • 28. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person 8. Mary: Doctor ⊔ hasChild.Doctor 9. John:Person 10. John: hasChild.Person Apply the ⊔–rule to 8. : choice (branching) - first Mary: Doctor - then Mary: hasChild.Doctor
  • 29. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person 8. Mary: Doctor ⊔ hasChild.Doctor 9. John:Person 10. John: hasChild.Person 11. Mary:Doctor Apply the clash-rule to 3. and 11. :
  • 30. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person 8. Mary: Doctor ⊔ hasChild.Doctor 9. John:Person 10. John: hasChild.Person 11. Mary:Doctor 12. ⊥ The branch is now closed (clash). We continue our exploration by backtracking to the second choice we left when we applied the ⊔–rule to 8. :
  • 31. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person 8. Mary: Doctor ⊔ hasChild.Doctor 9. John:Person 10. John: hasChild.Person 11. Mary:Doctor 13.Mary: hasChild.Doctor 12. ⊥ Apply the  -rule to 10. :
  • 32. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person 8. Mary: Doctor ⊔ hasChild.Doctor 9. John:Person 10. John: hasChild.Person 11. Mary:Doctor 13. Mary: hasChild.Doctor 12. ⊥ 14. (John,a):hasChild 15. a:Person Apply the  -rule to 13. :
  • 33. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person 8. Mary: Doctor ⊔ hasChild.Doctor 9. John:Person 10. John: hasChild.Person 11. Mary:Doctor 13. Mary: hasChild.Doctor 12. ⊥ 14. (John,a):hasChild 15. a:Person 16. (Mary,b):hasChild 17. b:Doctor Apply the first GCI axiom of the TBox to 17. :
  • 34. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person 8. Mary: Doctor ⊔ hasChild.Doctor 9. John:Person 10. John: hasChild.Person 11. Mary:Doctor 13. Mary: hasChild.Doctor 12. ⊥ 14. (John,a):hasChild 15. a:Person 16. (Mary,b):hasChild 17. b:Doctor 18. b:Person Apply the –rule to 14. and 6. :
  • 35. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person 8. Mary: Doctor ⊔ hasChild.Doctor 9. John:Person 10. John: hasChild.Person 11. Mary:Doctor 13. Mary: hasChild.Doctor 12. ⊥ 14. (John,a):hasChild 15. a:Person 16. (Mary,b):hasChild 17. b:Doctor 18. b:Person 19. a: Doctor ⊔ hasChild.Doctor Apply the ⊔–rule> to 19. : choice (branching)  first a: Doctor, then a: hasChild.Doctor
  • 36. Expansion Example 1. John: HappyParent <concept assertion> 2. (John,Mary): hasChild <role assertion> 3. Mary: Doctor 4. John: Parent ⊓ hasChild.(Doctor ⊔ hasChild.Doctor) 5. John: Parent 6. John: hasChild.(Doctor ⊔ hasChild.Doctor) 7. John: Person ⊓ hasChild.Person 8. Mary: Doctor ⊔ hasChild.Doctor 9. John:Person 10. John: hasChild.Person 11. Mary:Doctor 13. Mary: hasChild.Doctor 12. ⊥ 14. (John,a):hasChild 15. a:Person 16. (Mary,b):hasChild 17. b:Doctor 18. b:Person 19. a: Doctor ⊔ hasChild.Doctor 20. a:Doctor
  • 37. Expansion Example Model of K{Mary: Doctor}: I = (I,.I), with: I ={John,Mary,a,b}, DoctorI={a,b}, PersonI={John,a,b}, happyParentI={John}, ParentI={John} hasChildI={(John,Mary),(John,a),(Mary,b))}
  • 38. Algorithmes de vérification de satisfiabilité à base de tableaux sémantiques • Dans les années 1990, une nouvelle classe d'algorithmes est apparue: les algorithmes de vérification de satisfiabilité à base de tableaux (tableau-based algorithms). • Ces derniers raisonnent sur des LD dites expressives ou très expressives, mais en temps exponentiel. • Cependant, en pratique, le comportement des algorithmes est souvent acceptable. • L'expressivité accrue a ouvert la porte à de nouvelles applications telles que le Web sémantique.
  • 39. Satisfiabilité • Les algorithmes pour déterminer la satisfiabilité sont basés sur des techniques de calcul de tableaux. • La complétude est une propriété très importante pour l’utilisation des LD dans des applications du monde réel. • Ces algorithmes sont efficaces pour les bases de connaissances moyennes et réelles, même si leur complexité dans la logique est en PSPACE ou EXPTIME.
  • 40. La méthode des tableaux sémantiques • La méthode des tableaux sémantiques peut être considérée comme une procédure pour construire une interprétation satisfaisante de l’assertion d’un concept donné. • Pour des raisons de commodité, nous nous concentrons sur les procédures qui travaillent avec des concepts sous forme normale négative (negation normal form).
  • 41. Forme normale négative (Negation normal form) • Soit C un concept arbitraire dans ALC • On dit que C est en forme normale négative (FNN) ssi ¬ apparaît seulement immédiatement devant le nom d’un concept • La FNN peut être calculée en appliquant les règles suivantes:
  • 43. La méthode des tableaux sémantiques comme système de réfutation • La méthode des tableaux sémantiques est une procédure de preuve formelle, existant dans plusieurs logiques, mais toujours avec les mêmes caractéristiques • La méthode des tableaux sémantiques est un système de réfutation : étant donné un système initial de contraintes ou tableau T, il tente soit de montrer que T est insatisfiable, soit d’en construire une interprétation satisfaisante (un modèle). • Essentiellement, la méthode des tableaux sémantiques peut se résumer en une suite de séries d'affirmations construites sous forme d’un arbre, selon des règles d'inférence, chaque branche de l’arbre correspondant à une des séries d’affirmation.
  • 44. La méthode des tableaux sémantiques comme système de réfutation • Les règles d'inférence stipulent comment un tableau T est transformé en un nouveau tableau en transformant une branche en n nouvelles branches. Cela se fait en élargissant la branche à sa feuille, en créant jusqu'à n noeuds successeurs. • Chacun des nouveaux noeuds contient de nouvelles affirmations.
  • 45. Forme générale des règles d’inférence • En général, les règles d’inférence, appelées règles d’expansion, sont de la forme: où X et Xi dénotent une ou plusieurs assertions • Si le tableau T contient des assertions de la forme X, alors le tableau est étendu en développant la branche qui contient X à sa feuille en créant n noeuds successeurs. • Le noeud successeur 1 contient X1, …, le nœud successeur n contient Xn. • Les assertions dans X sont des prémisses, les assertions dans Xi sont des conclusions.
  • 49. La règle d’expansion “CLASH”
  • 52. La méthode des tableaux pour tester la satisfiabilité d’un concept Pour résoudre le problème : est-ce que le concept C est satisfiable/consistant ? 1. Le tableau initial est {x : nnf(C)}, i.e. un ensemble fini d’assertions en forme normale négative. 2. Pour chaque branche, appliquer les règles d’expansion 3. Arrêter d’étendre une branche si : • Elle contient une assertion de la forme a : ⊥, ce qui veut dire que la branche est fermée • Il n’existe plus aucune règle d’expansion applicable. Dans ce cas la branche est complète. 4. Arrêter si une branche complète est trouvée dans le tableau T ou si toutes les branches sont fermées. Sinon, recommencer à 2.
  • 53. Validité et complétude de la méthode des tableaux • Un ensemble d’assertions en FNN est non satisfiable ssi l’algorithme du tableau peut être utilisé pour construire un tableau fermé • Plus précisément: o L’entrée est insatisfiable /inconsistante ssi toutes les branches de n’importe quel arbre de dérivation construit à partir de l’entrée sont fermées o L’entrée est satisfiable/consistante ssi il existe une branche ouverte complète dans un arbre de dérivation construit à partir de l’entrée
  • 54. Exemple • Est-ce que le concept suivant est consistant /satisfiable ? • Déjà en FNN • Tableau initial:
  • 61. Exemple (suite) Puisque toutes les branches sont fermées, on en déduit que le concept en entrée n’est pas satisfiable.