Découverte de connaissances stratégiques interprétables dans le Web des données

Interpretable Strategic Knowledge Discovery in the Web of Data

• Auteur / Autrice : Hassan Abdallah
• Direction : Arnaud Soulet, Béatrice Markhoff
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/11/2022
• Etablissement(s) : Tours
• Ecole(s) doctorale(s) : Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes - MIPTIS
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique Fondamentale et Appliquée de Tours

Mots clés

Mots clés libres

Fouille de données

Extraction de connaissances

Web sémantique

Linked Open Data

Graphe de connaissances

Wikidata

Linked Open Data

Semantic Web

Data mining

Knowledge discovery

Knowledge graphs

Wikidata

Résumé

Le Web des données est déjà largement utilisé pour la recherche d'informations. Ses graphes de connaissances devraient également constituer une source stratégique de connaissances pour soutenir les travailleurs de la connaissance tels que les journalistes ou les spécialistes dans des domaines divers. En particulier, un défi majeur pour les aider est d'identifier des indicateurs visant à quantifier les phénomènes et leur impact dans un domaine. Malheureusement, la diversité des entités et de leurs relations dans ces graphes rend difficile le développement de méthodes automatisées et transdisciplinaires pour traiter ces graphes. En plus d'être hétérogènes, les graphes sont nombreux, de grande taille et distribués, ce qui pose le défi d'algorithmes légers. Ce travail de thèse vise à proposer de nouveaux modèles statistiques transdisciplinaires pour les graphes de connaissances afin de modéliser et de comprendre leurs structures, et de les implémenter dans les graphes de connaissances du Web pour découvrir automatiquement des indicateurs interprétables dans différents domaines.

The Web of Data is already widely used in information retrieval. Its knowledge graphs should also be a strategic source of knowledge to support knowledge workers such as journalists or specialists in diverse domains. In particular, a significant challenge in helping them is to identify indicators aimed at quantifying phenomena and their impact within a field. Unfortunately, the diversity of entities and their relations in these graphs makes it challenging to develop automated, transdisciplinary methods for processing these graphs. In addition to being heterogeneous, graphs are numerous, large, and distributed, raising the challenge of lightweight algorithms. This thesis work aims to propose new transdisciplinary statistical models for Knowledge graphs to model and understand their structures and to implement them in Web knowledge graphs to automatically discover interpretable indicators within different domains.