Construction et Exploitation de Réseaux Sémantiques Flous pour l'Extraction d'Information Pertinente : Le système RELIEFS

Ch. Brouard

LIP6 2000/005: THÈSE de DOCTORAT de l'UNIVERSITÉ PARIS 6 LIP6 / LIP6 research reports
213 pages - Janvier/January 2000 - French document.

Get it : 682 Ko /Kb

Contact : par mail / e-mail

Thème/Team: Apprentissage et Acquisition de Connaissances

Titre français : Construction et Exploitation de Réseaux Sémantiques Flous pour l'Extraction d'Information Pertinente : Le système RELIEFS
Titre anglais : Building and Using Fuzzy Semantic Networks for Extraction of Relevant Information : The RELIEFS System

Résumé : La notion de pertinence est d'un avis largement partagé une notion centrale pour l'Intelligence Artificielle. D'un point de vue cognitif, la pertinence est aussi décrite comme un concept clef et certains en font même un principe qui régit nos interactions avec l'environnement ou encore la façon dont nous communiquons. Actuellement, le foisonnement de données informatiques et le développement d'Internet en particulier, ont encore renforcé l'intérêt pratique de l'étude de cette notion. L'information est là, mais encore faut-il pouvoir l'extraire des gigantesques bases de données et la question récurrente est : quelle information est pertinente ?
Nous proposons ici une approche pluridisciplinaire de cette notion, tournée vers les sciences cognitives. La diversité apparente des problèmes et solutions proposés dans les différents domaines est exposée et nous avançons une solution pour rendre compte de la pertinence de façon plus globale. Cette solution est basée sur la construction et l'exploitation d'un réseau d'implications. Dans ce réseau, les noeuds correspondent à des conjonctions de propriétés éventuellement floues (au sens de la théorie des ensembles flous) et les connexions représentent des implications entre les différentes conjonctions.
Nous proposons ainsi une méthode de nature connexionniste basée sur un principe d'association pour la construction automatique de ce réseau ainsi qu'une méthode d'exploitation en vue de la sélection d'information pertinente à partir de requêtes. Le système implémentant ces méthodes, baptisé " RELIEFS ", a été appliqué à l'analyse de différents types de données (épidémies, évaluations sensorielles). Enfin, une étude montrant comment le système peut être utilisé dans le cadre de la communication Homme-Machine a aussi été réalisée.

Abstract : Relevance is a central notion for Artificial Intelligence. From a cognitive point of view, it is also a key concept and researchers use it to explain the way we interact with our environment and the way we communicate. At present, the proliferationion of digital data and in particular, the great expansion of Internet reinforce the need for a concrete definition of this notion. Information is present, but users have to extract it from gigantic databases and the recurrent question is: which is the relevant information ?
In this document, we adopt a pluridisciplinarity approach to this notion which is oriented toward cognitive sciences. The noticeable diversity of problems and solutions suggested in different disciplines is explained and we put forward a solution which allows us to define " relevance " more globally. This solution is based on a construction and exploitation of an associative network. In this network, the nodes represent properties or conjunctions of properties, which are possibly fuzzy (in the fuzzy set theory sense) and connexions represent implications beetween these properties. We define a method for building a "fuzzy semantic network" from a set of observations. We also suggest a method for using this network in order to select information relative to a user's request.
The system which implements these methods (called RELIEFS), has been used for analysing different kinds of data (epidemics, sensorial evaluations). Lastly, a study shows how the system can be used in a Man-Machine communication context.

Mots-clés : Pertinence, réseaux sémantiques, ensembles flous, fouille de données

Key-words : Relevance, semantic networks, fuzzy sets, data-mining

Publications internes LIP6 2000 / LIP6 research reports 2000

Responsable Éditorial / Editor :Valerie.Mangin@lip6.fr