Combinaison d'approches de raisonnement par ontologie et machine learning pour l'aide à la construction d'ontologies

Combining ontological reasoning and machine learning approaches for ontology learning

• Auteur / Autrice : Pauline Armary
• Direction : Christophe Nicolle, Ouassila Narsis labbani
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 16/01/2023
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Connaissance et Intelligence Artificielle Distribuées
• Partenaire(s) de recherche : établissement de préparation : Université de Bourgogne (1970-....)

Mots clés

Mots clés libres

Ontologie

Nlp

Apprentissage automatique

Logique de Description

IA hybride

Ontology

Nlp

Machine Learning

Ontology Learning

Hybrid AI

Résumé

Depuis 2019, la Knowledge Graph Conférence met à l'honneur les utilisations industrielles des technologies de graphes de connaissances et d'ontologies, qui permettent de plus en plus d'application dans de nombreux domaines. Cependant, la capacité d'une ontologie à attraper une situation (domaine métier, grandes masses de données, etc.) dépend grandement de la qualité de la modélisation de cette situation. Si sur les situations de faible périmètre, la modélisation peut être effectuée à la main, l'élaboration d'une ontologie pour les cas de plus grande envergure (domaine métier décrit dans différents textes de lois ou référentiels à travers des milliers d'articles, etc.) est un processus long et minutieux dont la réalisation nécessite une automatisation. Parmi les solutions actuellement à l'étude pour l'aide à la construction d'ontologies, l'utilisation de techniques d'apprentissage automatique (machine learning) est une voie sérieusement envisagée autrement appelée ontology learning. Ce domaine de l'intelligence artificielle s'intéresse à la création et la maintenance d'ontologies de manière automatisée (ou partiellement automatisée), processus par lequel les éléments constitutifs des ontologies (Terminological Box, Assertional Box, Rule Box) peuvent être « appris » à partir de différentes sources documentaires ou sources de données. Le domaine de l'ontology learning brasse un grand nombre de problématiques qui répondent aux deux questions suivantes : - Quoi apprendre ? Cette première question lève le sujet essentiel du domaine en s'intéressant au but de l'apprentissage. Il a été proposé l'ontology learning layer cake présentant le processus d'apprentissage d'ontologie comme un empilement de sous-tâches de plus en plus complexes : les termes, les concepts, la structure taxonomique, les relations non-taxonomiques, les axiomes et les règles. Apprendre des règles : le challenge que nous souhaitons adresser est celui de la construction automatique d'une ontologie formelle dite « heavyweight », c'est-à-dire visant les deux couches les plus hautes du layer cake. Ce sujet est clairement identifié dans la littérature comme un challenge majeur de la construction automatique d'ontologies, qui n'a été adressé que par une minorité d'articles et dont les résultats actuels sont considérés comme insuffisants. - A partir de quoi apprendre ? Les techniques d'apprentissage sont fondées en général sur une étude (semi-)automatisée d'une source pour laquelle le résultat est déjà connu ou, pour le moins, dont la qualité saurait être évaluée. On considère deux grandes classes de sources : des données non-structurées (textesbruts) et des données (semi-)structurées (XML, JSON, CSV, etc). Apprendre à partir de données textuelles : Notre approche s'intéresse principalement aux données textuelles. Une très large majorité de la littérature de l'ontology learning est dédiée à la construction d'ontologies à partir de texte brut et montre que le sujet est d'actualité. Notre hypothèse de travail est que l'identification dans les sources documentaires et les sources de données des constructions fondamentales des logiques formelles sous-jacentes aux ontologies (logiques de description) permettra de définir une modélisation du domaine sur l'ensemble des éléments de l'ontologie (termes, concepts, attributs, relations, contraintes et règles) avec d'une part une grande précision et d'autre part l'assurance d'une cohérence et d'une complétude formelles. Une méthode d'identification des axiomes des logiques de description à partir de sources hétérogènes pourrait permettre de surmonter certains défis liés à la construction manuelle d'ontologies, tels que la difficulté à construire une ontologie complexe en partant de zéro et à maintenir sa cohérence au fil du temps. L'objectif à terme sera de concevoir un outil d'aide avancée à la construction d'ontologies formelles heavyweight, destinés aux ingénieurs de la connaissance.

Since 2019, the Knowledge Graph Conference has been showcasing the industrial uses of knowledge graph and ontology technologies, which are increasingly being applied in a wide range of fields. However, the ability of an ontology to capture a situation (business domain, large masses of data, etc.) depends on the quality of the modelisation. While small-scale situations can be modelled by hand, building an ontology for large-scale situations (business domains described in different legal texts or repositories across thousands of articles, etc.) is a long and meticulous process that needs to be automated. Among the solutions currently being studied to help build ontologies, the use of machine learning techniques is being seriously considered. This domain is known as ontology learning. This field of artificial intelligence is concerned with the automated (or partially automated) creation and maintenance of ontologies, a process by which the constituent elements of ontologies (Terminological Box, Assertional Box, Rule Box) can be 'learned' from different documentary or data sources. The field of ontology learning encompasses a large number of issues that address the following two questions: - What should we learn? This first question raises the essential issue of the field by focusing on the targeted element of the ontology. The ontology learning layer cake has been proposed, presenting the ontology learning process as a stack of increasingly complex sub-tasks: learning terms, concepts, taxonomic structure, non-taxonomic relations, axioms and rules. Learning rules: the challenge we wish to address is that of automatically constructing a 'heavyweight' formal ontology, i.e. targeting the top two layers of the layer cake. This subject is clearly identified in the literature as a major challenge in the automatic construction of ontologies, which has only been addressed by a minority of articles and whose current results are considered insufficient. - What do we learn from? Learning techniques are generally based on a (semi-)automated study of a source for which the result is already known or, at the very least, whose quality can be assessed. There are two main classes of source: unstructured data (plain text) and (semi-)structured data (XML, JSON, CSV, etc). Learning from textual data: Our approach focuses mainly on textual data. The vast majority of ontology learning literature is devoted to the construction of ontologies from raw text, and this shows that the subject is currently addressed. Our working hypothesis is to identify the fundamental constructs of the formal logics underlying ontologies (description logics) in documentary sources and data sources in order to define a modelling of the domain based on all the elements of the ontology (terms, concepts, attributes, relations, constraints and rules) with a high degree of precision and the assurance of formal consistency and completeness. A method for identifying the axioms of description logics from heterogeneous sources may open the possibility to overcome certain challenges associated with the manual construction of ontologies, such as the difficulty of building a complex ontology from scratch and maintaining its consistency over time. The ultimate aim will be to design an advanced tool for building heavyweight formal ontologies, to be used by knowledge engineers.