REPRÉSENTATION

DES
CONNAISSANCES
INTRODUCTION
Représentation des connaissances
§Sujet très en vogue
§ Web sémantique, ontologie…
§ Langages associés : RDF, OWL…
§En IA, les connaissances sont représentées par des objets logiques reliés par des :
§ propriétés,
§ axiomes et règles
Objectif : ajouté du sens aux données
Sémantique
§Sémantique (vient de la linguistique)
§ la signification des mots composés ;
§ les rapports de sens entre les mots (relations d'homonymie, de synonymie,
d'antonymie, de polysémie, etc.) ;
§ la distribution des actants (verbe, nom…) au sein d'un énoncé ;
§ les conditions de vérité d'un énoncé ;
§ l'analyse critique du discours ;
Connaissances : représentations
§ 1er paradigme :
Les connaissances dépendent de deux types de langages très différents :
§ langues naturelles (LN),
§ base dans la représentation sémantique ;
§ logique symbolique, sert à organiser le LN pour reproduire la configuration
formelles des connaissances.
§2e paradigme :
Il s’agit de reproduire les résultats expérimentaux à l'aide des ordinateurs :
§ traitement de l'information : dans ce cas, l’information est une connaissance et
traiter de l’information revient à manipuler des connaissances ;
§ reproduire l'intelligence : inférer de nouvelles connaissances à partir des
informations stockées ;
Représentation des connaissances
§ Définition (informatique) :
§ ensemble d'outils et de procédés destinés d'une part à représenter et d'autre part à
organiser le savoir humain pour l'utiliser et le partager.
§ Quelques solutions :
Les outils classiques de représentation des connaissances sont :
§ Des graphes
§ les taxonomies ou classifications, qui permettent d'organiser les connaissances sur les
objets du monde,
§ les thesaurus utilisés en indexation documentaire,
§ les ontologies utilisées en spécification explicite d’une conceptualisation
Continuum : donnée, information,
connaissance:
§ La principale difficulté de l’approche formaliste (en IA)
§ les connaissances exprimées en langue naturelle héritent les propriétés véhiculées par les
contenus (ex. ambiguïtés),
§ Problème du Continuum : donnée, information, connaissance
§ donnée (Code MORSE) : . – .
§ information : SOS
§ connaissance : en cas d’alerte, déclencher les secours
§ La connaissance permet de produire de nouvelles données, informations,
connaissances : inférence
Donnée
q Exemple :
« il est 15H41 »
Ø donnée = 15H45 (discrète)

qExemple :
« la T° dans la salle JJ109 est entre 20 à 22 °C»
Ø donnée = [20, 22] °C (continue)
Information :
q Exemple :
◦ « aujourd’hui, il fait beau, la T° est supérieure à 25°C et nous sommes dans la salle JJ109»
Ø climat = beau (donnée qualitative)
Ø Température = [25 °C, 30°C]
Ø salle = JJ109
q Représentation :
Ø Couple (attribut, valeur)
Ø
Connaissance
qConnaissance :
§ Données
§ Informations
§ Liens entre les données et les informations :
Ø Opérateurs booléens : ET , OU , SAUF
ØOpérateurs ensemblistes :
üa (élément) A (ensemble)
üA (ensemble) B (ensemble)
üA B , A B
ØLogique
 Évaluation
§ Expression d’une connaissance :

§
Ø (T°, 25) ET (salle, JJ109) ET (climat, beau)

Vrai Vrai

Vrai

Vrai
Connaissance
§ Connaissance = objet(s) logique(s)
§ Objet logique = propriétés, axiomes et règles.
Ø Propriété = donnée / information
Ø Axiome = donnée / information qui admet une valeur de vérité ( vrai, faux)
ØRègle = manière de déduire une nouvelle information vraie (inférer de nouvelles connaissances)
Ø Exemple:

SI Alors
(T°>20°C) et (ciel est bleu) « il fait beau »

v Représentation en Logique des Prédicats du 1er ordre

Exemple : règle
Si pere (X,Y) et pere (Y,Z) Alors grand_pere(X,Z).
◦

Jean

X pere

pere

Z
Paul
Exemple : règle
pere(X,Y) : « X est le père de Y »
grand_pere(X,Y) : « X est le grand-père de Y »

grand_pere
Jean

X pere

pere
Règle : Z
Si pere(X,Y) et pere(Y,Z) Alors grand_pere (X,Z).
Exercice : 2e paradigme
v Axiomes : (faits vrais)
§ pere(jean, paul)
§ pere(max, nadine)
§ pere(paul, max)
v Question: grand_pere(X,Y) ?
vRéponse : 2 solutions ( nouveaux faits déduits)
§ grand_pere(jean,max)
§ grand_pere(paul,nadine)
v Question : grand_pere (Pierre,Y) ?
§ Pas de réponse ( pas faits applicables)
Réseau Sémantique
Principes théoriques
Réseau sémantique 1968
§ L'utilisation des graphes en représentation des connaissances pour l'IA vient de l'idée de
représenter graphiquement des concepts et leurs liens.
§ réseau sémantique (Quillian 1968) .
§ ambition de constituer un modèle de la mémoire humaine
§ Réseau de mots
§ Des nœuds (information) reliés des arcs nommés
§ le graphe constitue un espace du problème
§ objectif : abstraire les informations pertinentes et se concentrer seulement sur la topologie d'un
problème
Exemple de réseau sémantique
Exemple de Réseau sémantique :
Graphes
Conceptuels
Graphes Conceptuels

§ les Graphes Conceptuels (GC) 1984, Sowa

§ s'appuie sur l'étude de la perception en psychologie.
§ Le sens d'un concept se réduit à sa position relative par rapport aux autres concepts, il ne prend
donc un sens que par rapport à un réseau sémantique modélisant les connaissances générales
du système.
Graphe Conceptuel
§ C’est un graphe conforme à un support:
§ Les nœuds représentent des concepts
§ Les arcs représentent des relations bipartites entre concepts.
§ Toute relation est permise (partie de, couleur, etc…)
§ La « sémantique » (au sens de la logique) est apportée par les relations.
Illustration de GC
« Le chef prépare les plats, la serveuse les sert aux clients, Sophie mange une salade et un
fromage. »
Systèmes à base de règles
Systèmes à base de règles (SBR)
§ Approche des systèmes experts (proche du raisonnement « humain d’expert ») ;
§ Forme de raisonnement à partir des faits et des règles pour inférer de nouvelles connaissances ;
Systèmes à base de règles
§ Un SBR comporte toujours :
§ Un langage d’expression des connaissances
§ Des structures d’accueil pour la connaissance spécifique d’un domaine d’application
§ Un moteur d’inférence (ou des structures de contrôle) chargé de raisonner (ou résoudre) sur un
problème
§ Les éléments de connaissance sont organisés en une base de connaissances (BC).
On trouve :
§ Des faits sur un problème précis à résoudre
§ Des méthodes d’inférences (ou règles d’inférence)
§ Des connaissances sur le domaine envisagé
Systèmes à base de règles
Systèmes à base de règles
§ Un « fait » est un élément de type déclaratif et qui constitue un atome de la connaissance. C’est
élément de connaissance élémentaire, « indivisible » ou atomique.
§ Exemple 1 : « il y’a un vent dominant qui vient de la mer »
§ C’est un fait en logique des propositions qui est soit vrai, soit faux
§ C’est un simple élément d’un ensemble
§ Fait logique d’ordre 0
§ Exemple 2 : « X est le prix du pétrole » ou
§ « X est le père de Y »
ü Sont également des faits avec des variables dans leur expression
ü Se sont des faits d’ordre 1, qui peuvent être réécrits autrement :
Prix_du_pétrole(X) ,
père(X, Y)
Système à base de règles Ordre du
moteur d’inférence
§ Ordre 0 :
§ Le système n’utilise que des constantes.
§ Si la voiture ne démarre pas et les phares ne s'allument pas alors il n'y plus de batterie.
§

§ Ordre 1 :
§ Variables et Quantificateurs
§ ⱻ x liquide(x) ˄ x≠eau ˄ temperature(x)<100
Systèmes à base de règles Règles :
§ Une règle est une connaissance qui organise quelques faits entre eux :
§ Une partie de faits sont regroupés en un ensemble appelé hypothèses ou prémisses et
§ le restant est appelé déduction ou conclusion.
§ Exemples :
§ SI (le ciel est bleu) ET (il n’y a pas de vent) ALORS (il fait beau)
Ø prémisses : {« le ciel est bleu », « il n’y a pas de vent »}
Ø conclusion : {« il fait beau »}
§ SI (X est le père de Y) ET (Y est le père de Z)
ALORS (X est le grand-père de Z)
§ SI (X est une maman) OU (X est un papa)
ALORS (X a au moins un enfant)
Systèmes à base de règles Mécanisme
d’inférence :
§ Logique (des prédicats du 1er ordre)
§ Raisonnements :
§ Différents types de raisonnement
§ Principe de déduction logique et Principe de déduction par contradiction
§ Sera étudier dans la partie système expert
Classification hiérarchiques
 Classification hiérarchiques
§ Vient de la documentation (19eme siècle)
§ besoin de passer d’une mémoire scientifique non structurée de l’humanité à l’organisation structurée du savoir
§ organisé comme une bibliothèque
§ Les documents sont regroupés physiquement en fonction de leurs contenus.
§ Objectif : avoir une classifications universelles
§ S’appuie sur des systèmes de classifications
§ encyclopédiques (Dewey, CDU, LCC, …)
§ spécialisées
§ sont des langages documentaires entièrement codifiés, qui imbriquent deux sous-systèmes :
§ 1. une liste hiérarchisée de tous les sujets prévisibles
§ 2. un codage significatif (un indice qui peut être fait de chiffres, de lettres, ou d’une combinaison des deux) de chaque
sujet .
§ Ce modèle se base sur la précoordination des concepts, et adopte une organisation hiérarchique allant du général au
particulier.
Classification hiérarchiques
§ Avantages
§ Système universel pouvant couvrir toutes les notions du savoir,
§ système de codification est avantageux pour l’informatisation,
§ système utile dans le cadre d’un échange documentaire,
§ Regroupement des notions sous un indice précis
§ Classement des documents sur des rayonnages suivant le classement des fiches
§ …
Classification hiérarchiques
§ Inconvénients
§ Les classifications universelles sont extrêmement volumineuses, donc difficiles à manipuler.
§ Leur tenue à jour pose des problèmes énormes
§ Il faut une procédure longue et laborieuse pour y introduire des modifications.
§ Les classifications universelles, étudiées pour l’ensemble des usagers ne sont pas adaptées à chaque
service de documentation.
§ Elles s’appliquent bien à un domaine limité et stable
§ Objectif classification pour les rayons des bibliothèques (3 chiffres min + partie flottante
optionnelle
§ Exemple :
§ 600 - Techniques.
§ 640 - Vie domestique.
§ 641 - Alimentation
§ 641.5 - Cuisine.
§ 641.57 - Cuisine pour les collectivités
§ Problème
§ bio-informatique, section 570 ou 620 ?
§ Besoin donc de techniques complémentaires
§ le KWIC (Key Word In Context)
§ la recherche plein texte au moyen des outils informatiques appropriés.
Classifications à facettes
§ Evolution de la classification :
§ les insuffisances des classifications traditionnelles hiérarchiques sont évidentes.
§ La classification n’est pas uniquement un outil de rangement mais aussi un authentique langage dont
le but est la recherche documentaire.
§ Principe :
§ “ Les classifications à facettes ordonnent les concepts et objets en classes mais elles sont
multidimentionnelles,
§ les concepts sont ordonnés à l’intérieur de chaque classe en fonction de différents points de vue
§ Exemple
§ 5 facettes
§ *Personnalité, *Matière, *Energie, *Espace, *Temps
Thésaurus
Thesaurus
§ Principe :
§ C’est un ensemble contrôlé de termes entre lesquels les relations hiérarchiques et de voisinage ont
été établies. Et pour lesquels les relations de synonymie avec les mots du langage naturel sont
réalisés le cas échéant.
§ Les thesaurus s’appliquent dans la plupart des cas à un domaine particulier de la connaissance.
§ le contenu des documents est représenter d’une manière univoque (dépourvu d’ambiguïté)
§ Défini par une autorité
§ exprimé en langage naturel
Composants d’un thésaurus
§ Un lexique (ou vocabulaires d’entrée, ensemble de mots d’une langue)
§ descripteurs et non descripteurs
§ Un sous-ensemble de définitions et de notes d’application
§ Notes historiques et notes d’application pratique
§ Une structure classificatoire exprimée par des relations sémantiques entre les termes du
lexique, et parfois traduits par une notation symboliques
§ relation d’équivalence intra linguistique
§ relation d’équivalence inter linguistique
§ relation hiérarchique
§ relation d’association
Organisation des Thesaurus
§ Un thésaurus a une double organisation :
§ entre concepts (c'est-à-dire une relation sémantique)
§ entre termes représentant ces concepts (c'està-dire une relation d'équivalence
Terminologies /Thesaurus
§ L'accent est mis sur les termes utilisés pour dénoter les concepts du domaine (linguistique,
langue naturelle).
§ Les relations entre termes sont linguistiques.
§ Orienté indexation.
Thesaurus
Recueil documentaire alphabétique de termes servant de descripteur pour :
§ analyser un corpus
§ indexer des documents
§ Relations prédéfinies standardisées pour les thésaurus
Relations linguistiques
§ BT : Broader Term (terme générique TG)
§ NT : Narrower Term (terme spécifique TS)
§ TT : Top Term
§ RT : Related Term (other than BT, NT, TT, etc.)
§ USE : Prefered Term
§ UF : Use for, non preferred synonym, quasi synonym entre des synonymes qui expriment la
même idée, on distingue le mono-équivalent et le pluri-équivalent. On utilise la notation EM et
le EP
§ SN : Scope Note, Une note pour expliquer un terme
Norme de relation
norme AFNOR norme ISO
équivalence :
EMPLOYER EM USE
EMPLOYER POUR EP UF (use for)
hiérarchie :
TERME GÉNÉRIQUE TG BT (broader term)
TERME SPÉCIFIQUE TS NT (narrower term)
association :
TERME ASSOCIÉ (=
« voir aussi ») TA RT (related term)
définition :
NOTE D'APPLICATION NA SN (scope note)

L'ordre des abréviations EM, EP, TG, TS, TA, NA est normalisé. :
Exemple ordinateur
 Exemple : terme « véhicule » Thésaurus
Motbis (Éducation nationale)
§ Concept ou Terme préférentiel [USE]
§ véhicule
§ Domaines
§ véhicule - transport
§ Terme(s) équivalent(s)
§ moyen de transport
§ Terme(s) générique(s) [BT]
§ (aucun)
§ Terme(s) spécifique(s) [NT]
§ navire
§ véhicule aérien
§ véhicule amphibie
§ véhicule militaire
§ véhicule spatial
§ véhicule terrestre
§ Terme(s) associé(s) [RT]
§ métier : transport
§ technique automobile
§ transport
Ontologies
Ontologie
§ Définition (philosophie)
§ Etude de ce qui ‘est’ / être
§ Définition (informatique)
§ La spécification formelle et explicite d’une conceptualisation partagée
§ pour identifier
§ Pour filtrer
§ Pour inférer des connaissances
Définition
§ Uschold, 1998
§ “Une ontologie peut prendre différentes formes, mais elle inclura nécessairement un vocabulaire de
termes et une spécification de leur signification. Cette dernière inclut des définitions et une
indication de la façon dont les concepts sont reliés entre eux, les liens imposant collectivement une
structure sur le domaine et contraignant les interprétations possibles des termes.”
Ontologie
§ Objectifs
§ Se mettre d'accord sur le sens des termes employés dans une organisation, une communauté, un
métier
§ Faire en sorte que les personnes et les logiciels se comprennent de l’usage ontologique
§ Utile pour des applications distribuées telles que le Web.
Objectifs des ontologies
§ Se mettre d'accord sur le sens des termes employés dans une organisation, une communauté,
un métier
§ Faire en sorte que les personnes et les logiciels se comprennent
§ Utile pour des applications distribuées telles que le Web (Web Sémantique : SW ou WS)
Caractéristiques
§ Formalisation : lever les ambiguïtés
§ Indépendance (relative) par rapport à une tâche, ou un problème précis
§ Utilisable pour différentes tâches : conception, diagnostic, maintenance, recherche
d'information
Lever les ambiguïtés
§ Exemple : le mot ‘chambre’ en français: Chambre d'hôtel ?
§ Chambre d'écho ?
§ Chambre des députés ?
§ Chambre d'enregistrement ?
§ Chambre noire ?
§ Chambre funéraire ?
§ Pas de polysémie lié au mots
Concepts
§ Les mots (termes)
§ chat, matou, minou,
§ Sont reliés au même concept

§ Les mots
§ Chat, félins, fauve
§ Sont reliés à des concepts proches
Tâche à réaliser pour assurer
l’indépendance
§ Identifier, modéliser les concepts d'un domaine,
§ pertinents pour une/des applications
§ Se mettre d'accord, au sein d'une communauté, sur les termes employés pour se référer à ces
concepts
§ Relier les concepts (relations conceptuelles)
§ Formaliser la conceptualisation, et le vocabulaire correspondant
§ Formalisation pour lever toute ambiguïté
Phase de Conception
§ Identifier/modéliser les concepts et les termes pertinents
§ Identifier les relations pertinentes : subClassOf, isa, partOf, hasPart, closeTo, over, under,
contain, connected, etc.
§ Règles pour combiner les concepts et les relations : partOf est transitive
Modèle abstrait de l’ontologie
§ Une ontologie est une structure O : (C, R, HC)
§ C : ensemble des concepts
§ R : ensembles des relation entre ces concepts
§ HC : une hiérarchie (taxonomie) entre les concepts
§ HC(C1 ,C2 ) : C1 est un sous concept de C2
§ Un ensemble de règles d’inférence peut y être ajouté
Utilisable pour différentes tâches
§ une base de connaissances à objets
§ un système d’annotation
§ un système d’indexation documentaire, de recherche d’information
§ Pas seulement basé sur des mots mais sur le sens
§ Que des machines « comprennent » des textes
§…
Type d’ontologie
Type d’ontologie
§ Top-Ontologies :
§ Ontologies de catégorie (philosophique)
§ Spécification de catégorie de concept de très haut niveau (objet, événement, état, processus, …)
§ Core-Ontologies :
§ Ontologies génériques de type thesaurus :
§ Spécification d’un vocabulaire de référence (physique, math, …)
§ Hiérarchies de termes, relations sémantiques entre les termes (synonymes, composition, ...)
§ Ontologie de domaine :
§ Ontologies descriptives
§ Spécification sémantiquement riche d’un domaine
§ Définitions de concepts et de relations entre ces concepts pour construire des ontologies spécialisées
à partir d’ontologies plus générales (core ontologies) décrivant un domaine
Exemple d’ontologie (voiture)

limitation à la
relation "sorte-de"
Critères d'évaluation d'une ontologie
§ 3 des 5 critères (Gruber)
§ la clarté : la définition d'un concept doit faire passer le sens voulu du terme, de manière aussi
objective que possible (indépendante du contexte). Une définition doit de plus être complète (c’est-
à-dire définie par des conditions à la fois nécessaires et suffisantes) et documentée en langage
naturel ;
§ la cohérence : rien qui ne puisse être inféré de l'ontologie ne doit entrer en contradiction avec les
définitions des concepts (y compris celles qui sont exprimées en langage naturel) ;
§ L'extensibilité : les extensions qui pourront être ajoutées à l'ontologie doivent être anticipées. Il doit
être possible d'ajouter de nouveaux concepts sans avoir à toucher aux fondations de l'ontologie ;
Modéliser
§ Une ontologie est une modélisation des connaissances
§ Au sens où une théorie physique est un modèle de la réalité
§ Il peut y avoir plusieurs modèles d’une même réalité
§ Exemple en physique
§ expérience de la chute des corps
§ théorie de la gravitation de Newton
§ relativité générale d’Einstein
Types de connaissances
§ Connaissances de résolution de problèmes :
§ conception, diagnostic, évaluation, planification tâches, inférences
§ Connaissances du domaine
§ e.g. électronique, mécanique, médecine, etc.
§ ontologie : réutilisable
§ modèles de domaine :
§ fonctionnel, causal, structurel,
§ exprimés dans le vocabulaire de l’ontologie.
Cycle de vie d’une ontologie
Langage de description d’ontologie
§ Les ontologies sont décrites dans des langages qui sont proches en pouvoir d’expression des
formalismes logiques tels que le calcul des prédicats
§ RDF
§ Resource Description Framework
§ RDF S
§ Resource Description Framework Schema
§ OWL
§ Web Ontology Language
Langage RDF
§ Écrit en XML
§ Une déclaration RDF = triplet : « Objet ou sujet, Attribut ou prédicat, Valeur »
§ Le sujet représente la ressource à décrire ;
§ une URI ou être des nœuds anonymes
§ Le prédicat représente un type de propriété applicable à cette ressource ; identifié par une URI L'objet
représente une donnée ou une autre ressource : c'est la valeur de la propriété (littéral ou URI).
§ Des déclarations RDF peuvent être représentées par un Graphe orienté
Exemples de Triplets RDF
§ FoaF (Friend of a friend)
§ @prefix foaf: <http://xmlns.com/foaf/0.1/> .
§ <http://jlow.me> foaf:name "Johnny Lee Outlaw" .
§ <http://jlow.me> foaf:mbox <mailto:jlow@jlow.me> .
§ <http://peter.me> foaf:name "Peter Goodguy" .
§ <http://peter.me> foaf:mbox <mailto:peter@peter.me> .
§ <http://carol.me> foaf:mbox <mailto:carol@carol.me> .
Exemples de Triplets RDF
§ Format XML
 Exemples de Triplets RDF
§ Wikipédia (triplet)
§ <http://en.wikipedia.org/wiki/Tony_Benn>
§ <http://purl.org/dc/elements/1.1/title> "Tony Benn" .
§ <http://en.wikipedia.org/wiki/Tony_Benn>
§ <http://en.wikipedia.org/wiki/Tony_Benn>
§ <http://en.wikipedia.org/wiki/Tony_Benn>
§ <http://purl.org/dc/elements/1.1/publisher> "Wikipedia" .
§Même exemple en RDF XML
§ <rdf:RDF
§ xmlns:rdf=http://www.w3.org/1999/02/22-rdf-syntax-ns#
§ xmlns:dc="http://purl.org/dc/elements/1.1/">
§ <rdf:Description rdf:about="http://en.wikipedia.org/wiki/Tony_Benn">
§ <dc:title>Tony Benn</dc:title>
§ <dc:publisher>Wikipedia</dc:publisher>
§ </rdf:Description>
§ </rdf:RDF>
Niveau sémantique : langage RDF
§ Un graphe RDF
§ Ellipse = URI (sujet ou objet)
§ Rectangle = Littéral (objet)
§ Arc = Prédicat
§
RDFS
§ RDF permet déclarer des propriétés sur des ressources
§ RDF ne permet pas d’exprimer des connaissances sur les propriétés ou sur les types de resources :
§ Quelles sont les propriétés autorisées sur un type de ressources ?
§ Quelles sont les valeurs autorisées pour une propriété ?
§ Quels sont les liens entre les types de ressources (généralisation / spécialisation) ? …
§ Pour cela il faut définir le vocabulaire, exemple :
§ Un Livre est une sorte de Publication, et un Magazine aussi.
§ Toute Publication a un titre, un Livre a un ou plusieurs auteurs, . . .
§ RDF Schema (RDF S) = extension de RDF :
§ permet de décrire des classes et des propriétés,
§ mais ne fournit pas un vocabulaire (Publication, auteur …), il permet de définir un vocabulaire.
Niveau sémantique: Exemple RDFS
§ Une classe :
§ est un type (ou une catégorie) regroupant plusieurs instances (ressources) partageant des
caractéristiques communes.
§ est identifiée par une URI.
§ Pour préciser qu’une URI est une classe, il faut écrire que cette ressource a pour rdf:type rdfs:Class.
§ Exemple :
§ exvoc:Vehicule rdf:type rdfs:Class .
§ Pour préciser qu’une URI est une instance d’une classe, il faut écrire que cette ressource a pour rdf:type la classe.
§ Exemple :
§ exvoit:v1234AB49 rdf:type exvoc:Vehicule .
§ Convention : Un nom de classe commence par une majuscule, une instance par une minuscule.
Niveau sémantique: Exemple RDFS
§ rdfs:subClassOf permet de définir des hiérarchies de classes.
§ rdfs:range définit la classe ou le type de données des valeurs de la propriété
§
Ontology Web Langage : OWL
§ Conçu pour des applications qui traitent le contenu, pas uniquement la présentation des
informations
§ Une extension de RDFS, muni d’une sémantique formelle
§ OWL ajoute les concepts de classes équivalentes, de propriétés équivalentes, d'égalité de deux ressources, de leurs
différences, du contraire, de symétrie et de cardinalité...
§ Constitué de 3 niveaux de langages :
§ OWL Lite : Classification hiérarchie + contraintes simples
§ OWL DL : Pouvoir d’expression supérieur, avec complétude (toutes les conclusions sont calculables) et décidabilite# C’est une
logique de description (DL)
§ OWL Full : Expressivité maximale, pas de garantie sur les résultats de calculs
OWL & la logique de description DL
§ DL
§ Au début : extension des frames et des réseaux sémantiques, qui ne possédaient pas de sémantique
formelle basée sur la logique
§ modélisation des connaissances à 2 niveaux
§ le niveau terminologique ou TBox,
§ décrit les connaissances générales d'un domaine (la définition des concepts et des rôles)
§ le niveau factuel ou ABox,
§ représente une configuration précise (les individus)
§ 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.
OWL & la logique de description
§ Exemple de TBox et ABox
OWL & la logique de description
§ Notations
§ R dénote un rôle, C,D des concepts composés et A,B des concepts atomiques
§
Partage et réutilisation d’une ontologie
?
§ Les composants d’une ontologie sont réutilisables
§ Réutilisation : généralité, abstraction (reuse)
§ Partage : consensus, standardisation (sharing)
Exemple d’ontologie partagée
§ UMLS (biomédicale)
§ The purpose of NLM's Unified Medical Language System
is to facilitate the development of computer systems
that behave as if they "understand" the meaning of
the language of biomedicine and health t
§he Metathesaurus® ,
§ 975 354 concepts multi-purpose, and
§ multi-lingual vocabulary database that contains
information about biomedical and health-related
concepts, their various names, and the relationships
among them.
§ It is built from the electronic versions of many different
thesauri, classifications, code sets, and lists of
controlled terms used in patient care, health services
billing, public health statistics, indexing and cataloging
biomedical literature, and/or basic, clinical, and health
services research.
 Thésaurus vs. Ontologie
● Thésaurus ● Ontologie
§ Objectifs § Objectifs
ü Classification ü Idem +
ü Recherche ü Raisonnement (connaissance)
ü Représentation ü Partage avec et entre des
ü communes machines
§ Caractéristiques § Caractéristiques
ü Représentation très ü Hiérarchie de concepts et
ü hiérarchique Forte part de la relation entre concepts
linguistique (synonyme,…)
EXEMPLE THESAURUS ET
ONTOLOGIE
Relations TS (terme spécifique) et TG
(terme général)
Relation : synonymes
Relations : EM et EP
Relations : EN (anglais) et AL
(allemand)
Schéma conceptuel
Exemple : Végétaux - Relations TS et
TG
Végétaux - Relation synonyme
ontologie : réseau de transport
Relations sémantiques
À expliciter une relation sémantique
Exercice
§Tutoriel Protégé 5.2 - Création d'une petite ontologie (umontreal.ca)