Exploration orientée utilisateur de données semi-structurées

User-oriented exploration of semi-structured datasets

• Auteur / Autrice : Nelly Barret
• Direction : Ioana Manolescu
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/01/2021
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : LIX - Laboratoire d'informatique
• Partenaire(s) de recherche : Equipe de recherche : CEDAR

Mots clés

Mots clés libres

Intégration de données

Exploration de données

Données semi structurées

Modèle Entité-Relation

Data integration

Data exploration

Semistructured data

Entity-Relationship modeling

Résumé

La création, l'utilisation et le partage sans précédent des données à travers le monde contribue à de nouvelles applications et opportunités économiques. Ces données sont souvent larges, hétérogènes en schéma et en modèle, et plus ou moins structurées. Pour mettre de l'ordre dans toutes ces données, le consortium du World Wide Web recommande de partager des graphes RDF, ce qui a été majoritairement adopté dans l'Open Data, mais beaucoup d'autres formats sont utilisés en pratique. C'est souvent le cas des journalistes qui récoltent des jeux de données de différents acteurs, qui ne se sont pas coordonnés. Par exemple, on trouve sur la plateforme Kaggle des fichiers CSV recensant les pourcentages obtenus par les candidats aux élections présidentielles françaises ; les déclarations d'intérêt des parlementaires et sénateurs français sont partagées en XML sur le site du gouvernement ; les tweets des personnalités politiques françaises sont disponibles en JSON ; les graphes de propriétés (comme ceux de Neo4J) sont utilisés pour partager les données d'Offshore leaks, une base de données sur les compagnies offshores, dont certaines sont françaises. Dans ce cadre, les journalistes ont cruellement besoin d'outils pour gérer et consolider des sources provenant de différents acteurs, et générer des résultats concrets qu'ils peuvent partager avec leurs collègues ou dans les rédactions. Plus généralement, les utilisateurs et producteurs de données (novices ou non) qui doivent trouver, utiliser et/ou partager des jeux de données se trouvent face à un exercice difficile. C'est pourquoi nous proposons de nouvelles méthodes pour appréhender, utiliser et partager des jeux de données semi-structurées, i.e., documents XML, documents JSON, tableaux CSV, graphes RDF et de propriétés. La motivation principale de ce travail est d'aider les utilisateurs dans leur tâche d'exploration, e.g., comprendre la structure de leurs données, trouver des informations intéressantes dans la masse, pouvoir formuler des requêtes sans grande expertise informatique, recouper plusieurs jeux de données provenant de différents acteurs, etc. Nous proposons une approche unifiée des différents modèles de données; une vue globale que nous pensons nécessaire pour tirer le meilleur de toutes ces données, que ce soit pour des applications journalistiques, rendre la recherche scientifique plus reproductible, etc.

The unprecedent creation, use and share of data around the world has led to new applications and economic opportunities. This data is often large, heterogeneous at a schema and model level, and more or less structured. To bring more order, the World Wide Web consortium recommends sharing data as RDF graphs, which has been mostly adopted in the Open Data initiative, but many other formats are used in practice. This is often the case of data journalists, who collect data from many different actors, who have not coordinated. For instance, CSV files can be found on the Kaggle platform and list the percentages obtained for candidates in the French presidential elections; French elected people declarations of interest are shared as XML files on the government website; tweets of political personalities are available in JSON; property graphs (such as the Neo4J ones) are used to share the Offshore leaks database about offshores companies, some of which are French. In this frame, this is crucial for journalists to have tools to manage and consolidate sources coming from different actors, and generate tangible results they can share with colleagues and in newsrooms. More generally, users and data producers (novice or not) who need to find, use and/or share datasets may have a hard time. This is why we propose novel methods to get acquainted, utilise and share semi-structured datasets, i.e., XML documents, JSON documents, CSV tables, RDF and property graphs. The main motivation of this work is to help users in their data exploration task, e.g., understand the structure of the data, find interesting nuggets of information, formulate queries without strong IT skills, match several datasets coming from different producers on their common features, etc. We present a unified approach of many semi-structured data models; a global view we think necessary to get the most out of all this data, whether it enables journalistic applications, more reproducible scientific research, etc.