Analyse relationnelle de concepts : une méthode polyvalente pour l'extraction de connaissances

Relational concept analysis : a polyvalent tool for knowledge extraction

• Auteur / Autrice : Mickaël Wajnberg
• Direction : Hervé Panetto, Alexandre Blondin Massé
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Soutenance le 09/11/2020
• Etablissement(s) : Université de Lorraine en cotutelle avec Université du Québec à Montréal
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en automatique (Nancy)
• Jury : Président / Présidente : Hind El Haouzi
• Jury : Examinateurs / Examinatrices : Alexandre Blondin Massé, Marianne Huchard, Virginie Goepp, Mario Lezoche, Petko Valtchev, Abdoulaye Baniré Diallo
• Jury : Rapporteurs / Rapporteuses : Marianne Huchard, Virginie Goepp

Mots clés

Mots clés contrôlés

Schémas d'association (analyse combinatoire)

Modèles entité-association

Bases de données relationnelles

Treillis, Théorie des

Exploration de données

Mots clés libres

Extraction de connaissance

Fouille de données multi-relationnelles

Analyse relationnelle de concepts

Règles d'association

Interprétabilité

Knowledge extraction

Multirelational data mining

Relational concept analysis

Association rules

Interpretability

Résumé

À une époque où les données, souvent interprétées comme une «réalité terrain»,sont produites dans des quantités gargantuesques, un besoin de compréhension et d’interprétation de ces données se développe en parallèle. Les jeux de données étant maintenant principalement relationnels, il convient de développer des méthodes qui permettent d’extraire de l’information pertinente décrivant à la fois les objets et les relations entre eux. Les règles d’association, adjointes des mesures de confiance et de support, décrivent les co-occurences entre les caractéristiques des objets et permettent d’exprimer et d’évaluer de manière explicite l’information contenue dans un jeu de données. Dans cette thèse, on présente et développe l’analyse relationnelle de concepts pour extraire des règles traduisant tant les caractéristiques propres d’un ensemble d’objets que les liens avec d’autres ensembles. Une première partie développe la théorie mathématique de la méthode, alors que la seconde partie propose trois cas d’application pour étayer l’intérêt d’un tel développement. Les études sont réalisées dans des domaines variés montrant ainsi la polyvalence de la méthode : un premier cas traite l’analyse d’erreur en production industrielle métallurgique, un second cas est réalisé en psycholinguistique pour l’analyse de dictionnaires et un dernier cas montre les possibilités de la méthode en ingénierie de connaissance.

At a time where data, often interpreted as "ground truth", are produced in gigantic quantities, a need for understanding and interpretability emerges in parallel. Dataset are nowadays mainly relational, therefore developping methods that allows relevant information extraction describing both objects and relation among them is a necessity. Association rules, along with their support and confidence metrics, describe co-occurrences of object features, hence explicitly express and evaluate any information contained in a dataset. In this thesis, we present and develop the relational concept analysis approach to extract the association rules that translate objects proper features along with the links with sets of objects. A first part present the mathematical part of the method, while a second part highlights three case studies to assess the pertinence of such a development. Case studies cover various domains to demonstrate the method polyvalence: the first case deals with error analysis in industrial production, the second covers psycholinguistics for dictionary analysis and the last one shows the method application in knowledge engineering.