Découverte évolutive de connaissance à partir de graphe de données RDF

Evolutionary Knowledge Discovery From RDF Data Graphs

• Auteur / Autrice : Rémi Felin
• Direction : Andrea Tettamanzi, Catherine Faron
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 13/09/2021
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : I3S - Informatique, Signaux et Systèmes de Sophia-Antipolis

Mots clés

Mots clés libres

Évolution grammaticale

Extraction de forme SHACL

Apprentissage d'ontologies

Owl

Shacl

Sparql

Grammatical Evolution

Shape Mining

Ontology Learning

Owl

Shacl

Sparql

Résumé

Les graphes de connaissances sont des collections de descriptions interconnectées d'entités (objets, événements ou concepts). Ils mettent les données en contexte par le biais de liens et de métadonnées sémantiques et fournissent ainsi un cadre pour l'intégration, l'unification, l'analyse et le partage des données. Un certain nombre d'utilisations et d'applications spécifiques reposent sur les graphes de connaissances. Citons par exemple les services à forte intensité de données et d'informations, tels que la réutilisation intelligente de contenus et de paquets, la recommandation de contenus réactifs et contextuels, la découverte de médicaments alimentée par des graphes de connaissances, la recherche sémantique, l'information sur le marché des investissements, la découverte d'informations dans les documents réglementaires, l'analyse avancée de la sécurité des médicaments, etc. La manière de construire des graphes de connaissances riches en informations factuelles provenant de diverses sources est relativement bien comprise. Ce qui est plus difficile et plus coûteux, c'est de doter ces graphes de connaissances d'un schéma et d'une sémantique, constitués de règles, de contraintes et de relations (en résumé, d'axiomes) qui permettent de vérifier leur cohérence et de déduire des connaissances implicites par raisonnement. Une approche de ce problème qui a donné des résultats prometteurs [4] utilise l'évolution grammaticale, un type d'algorithme évolutionnaire, et la théorie des possibilités, basée sur l'idée que la découverte d'axiomes est essentiellement un processus évolutionnaire, dans lequel les axiomes candidats sont générés par un mécanisme heuristique et ensuite testés contre les preuves disponibles [5], selon l'hypothèse du monde ouvert, de sorte que seuls les meilleurs candidats survivent. Cette approche s'est avérée capable de découvrir efficacement des axiomes de subsomption et de disjonction de classes [3], impliquant des expressions de classes atomiques et complexes [1,2], à partir d'énormes graphes de connaissances. L'objectif principal de cette thèse est d'étendre cette méthode pour permettre la découverte de types supplémentaires d'axiomes (par exemple, les axiomes d'équivalence, les axiomes de domaine/plage de propriétés, les axiomes de clés, etc.) et de s'attaquer à la question encore ouverte de l'utilisation efficace des services de raisonnement disponibles, qui peuvent être notoirement coûteux en termes de ressources informatiques, dans ce contexte.

Knowledge graphs are collections of interlinked descriptions of entities (objects, events or concepts). They put data in context via linking and semantic metadata and thus provide a framework for data integration, unification, analytics and sharing. A number of specific uses and applications rely on knowledge graphs. Examples include data and information-heavy services such as intelligent content and package reuse, responsive and contextually aware content recommendation, knowledge graph powered drug discovery, semantic search, investment market intelligence, information discovery in regulatory documents, advanced drug safety analytics, etc. How to build knowledge graphs rich in factual information from a variety of sources is relatively well understood. What is more challenging and expensive is to provide such knowledge graphs with a schema and semantics, consisting of rules, constraints, and relationships (in summary, axioms) that make it possible to check their consistence and infer implicit knowledge by reasoning. An approach to this problem that has given promising results [4] uses grammatical evolution, one type of evolutionary algorithm, and possibility theory, based on the insight that discovering axioms is essentially an evolutionary process, whereby candidate axioms are generated by some heuristic mechanism and then tested against the available evidence [5], according to the open-world hypothesis, so that only the best candidates survive. This approach has been shown to be capable of efficiently discovering subsumption and class disjointness axioms [3], involving atomic and complex class expressions [1,2], from huge knowledge graphs. The main goal of this thesis is to extend that method to support the discovery of additional types of axioms (e.g., equivalence axioms, property domain/range axioms, keys axioms, etc.) and attack the still open question of how to efficiently use available reasoning services, which may be notoriously expensive in terms of computational resources, in this setting.