LERIA

1
LERIA

• Equipe ICLNInteraction, Connaissances et Langage
  Naturel

2

• Membres
• Permanents
• T. Ait El Mekki (MCF), T. Amghar (MCF), B. Duval
  (MCF), C. Lefevre, L. Garcia (MCF), D.Genest
  (MCF), O. Hû (MCF), B. Levrat (Pr), S. Loiseau
  (Pr), P. Nicolas (Pr), I. Stephan (MCF)
• Thésards
• -A. Bondu (co-encadré FranceTelecom), A Duffoux,
  T. M. Feuilloy (co-encadré ESEO), T. Raimbault
  (co-encadré avec LINA), O. Cantin, A. Robin, S.
  Lamprier (co-encadré MOC), S. Vale (co-encadré
  ESEO)

3
Thèmes de recherche

• Les modèles de gestion des connaissances
• Construction des bases de connaissances,
• Qualité des connaissances
• Restauration de la cohérence
• Base de règles
• Graphes conceptuels
• UML, Graphes conceptuels, OWL
• Apprentissage de règles avec Exceptions
• Bases documentaires, utilisant des modèles de
  connaissances
• Les logiques des informations imparfaites
• Représentation logique de la négation
  linguistique (logiques multivaluées)
• Utilisation symbolique de quantificateurs
  linguistiques
• Représentation de lincertain dans le
  raisonnement non monotone
• Programmation par ensemble réponses (ASP)

4
Programmation par ensemble de réponses

• Answer Set Programming (ASP) (1990)
• modèle pour le raisonnement non monotone
• Modèle de la logique des prédicats négation par
  défaut Simplification de la logique des défauts
  de Reiter1980
• outil pour le codage et la résolution de
  problèmes combinatoires
• Raisonnement non monotone
• Ajouter une information peut faire perdre une
  conclusion préalable
• Contraire à la monotonie de la logique classique
   si A est inclus dans B, alors les théorèmes
  de A sont inclus dans ceux de B 
• Inhérent aux raisonnements
• informations incomplètes, défaut, exception,
  informations évolutives,

5
Exemple

• A partir de
•  les oiseaux volent sauf les autruches 
•  Toto est un oiseau  ,  Titi est une
  autruche 
• On a envie de conclure
•  Titi ne vole pas 
•  Toto vole  par défaut dinformation indiquant
  que Toto est une autruche
• Impossible à représenter en logique classique
• ? X, oiseau(X) ? ?autruche(X) ? vole(X)
• autruche(TiTi), oiseau(ToTo) gt rien
• ? X, autruche(X) ? oiseau(X) ? ? vole(X) gt
  oiseau(TiTi), ? vole(TiTi)
• ? X, oiseau(X) ? vole(X)
• autruche(TiTi), oiseau(ToTo)
• ? X, autruche(X) ? oiseau(X) ? ? vole(X)
• gt ? vole(TiTi), vole(ToTo), vole(Titi)

6
ASP

• Programmes logiques avec négations par défaut
• oiseau(X), not autruche(X) -gt vole(X)
• autruche(X)-gt ? vole(X)
• autruche(X)-gt oiseau(X)
• autruche(TiTi), oiseau(ToTo)
• gt oiseau(TiTi), ? vole(TiTi),vole(ToTo)
•  answer set semantics 
• autruche(TiTi), oiseau(ToTo), oiseau(TiTi), ?
  vole(TiTi), vole(ToTo)
• est lensemble de réponses du programme
• Non monotonieAjoute autruche(Toto)
• autruche(TiTi), oiseau(ToTo), autruche(ToTo),
• oiseau(TiTi), ?vole(TiTi), ?vole(ToTo)

7
ensemble deconclusions
réponsesà une question
systèmedinterrogation
systèmede déduction
ASP
formalisations théoriques développement de
systèmes
systèmedinduction
données brutes
8
prise en compte de lincertain
Raisonnement à partir dinformations incomplètes
logiqueclassique
ASP
théorie des possibilités (Zadeh)
Raisonnement à partir dinformations incertaines
logiquepossibiliste
9
ASP pour problèmes combinatoires

• Exemple de la 2-coloration dun graphe
• s(1)., , s(10). les données du problème
• a(1,3).,., a(10,7).
• s(X), not vert(X) -gt rouge(X) lespace de
• s(X), not rouge(X) -gt vert(X) recherche
• a(X,Y), rouge(X), rouge(Y) -gt ? les contraintes
• a(X,Y), vert(X), vert(Y) -gt ?
• 1 ensemble de réponses1 coloration admissible
• Codage du Sudoku en un programme dune quinzaine
  de lignes résolu immédiatement par les solveurs
  actuels

10

• Les modèles de raisonnement
• Les QBF (formules booléennes quantifiées)
• Des algorithmes de calcul utilisant des
  opérateurs logiques
• Méta-heuristiques pour des systèmes de
  raisonnement non monotone
• Algos génétiques recherche locales pour logique
  des défauts
• Colonies de fourmis recherche locales pour la
  programmation par ensembles de réponses
• Les modèles visuels des connaissances
• Décision visuelle sous incertitude
• Cartes cognitives étendues

11
1. Modèle des cartes cognitives

• Définition Un état est un intitulé i qui décrit
  létat
• Définition Une carte cognitive est un graphe
  orienté X (EX, LX, étiqX) où
•  EX est l'ensemble des nuds du graphe
• LX est l'ensemble des arcs du graphe, appelés
  liens de la carte
• étiqX est une fonction d'étiquetage qui
• à tout élément l de LX associe une étiquette
  étiqX(l) ? , -
• à tout élément e de EX associe un état  
  étiqX(e) ie
•  

• A quoi ça sert ?
• Modélisation des idées
• Aide à la décision  (propagation)

12
2. Modèle des cartes cognitives de graphes
conceptuels
graphe
Modèle des graphes conceptuels
support

• Définition Un état défini sur un support S est
  un couple (i, G) où un intitulé i qui décrit
  létat et G un graphe conceptuel défini sur S.
• Définition Une carte cognitive de graphes
  conceptuels définie sur un support S est un
  graphe orienté X (EX, LX, étiqX) où
•  EX est l'ensemble des nuds du graphe
• LX est l'ensemble des arcs du graphe, appelés
  liens de la carte
• étiqX est une fonction d'étiquetage qui
• à tout élément l de LX associe une étiquette
  étiqX(l) ? , -
• à tout élément e de EX associe un état  
  étiqX(e) (ie,Ge)
•  

13
1 graphe conceptuel
Le support


14
(No Transcript)
15
3. Collections détats

• Définition Une projection d'un graphe
  conceptuel G dans un graphe conceptuel H est une
  application ? de chaque sommet telle que 1. 
  les arêtes et les étiquettes des arêtes sont
  conservées 2.  les étiquettes des sommets
  peuvent être diminuées par rapport à lordre
  induit par le support
• Définition La collection d'un graphe requête G
  dans une carte cognitive de graphes conceptuels X
  (EX, LX, étiqX), est la collection formée des
  noeuds e ? EX étiquetés par (ie, Ge) tels quil
  existe une projection de G dans Ge.Un intitulé
  peut lui être associé
• Exemple La collection du graphe suivant est
  appelé Accident

Accident campagne vitesse Accident
mortel .Carambolage
..Accident Brouillard
16
(No Transcript)
17
4. Exploitation des inférences

• Définition influence L'influence I de X est
  une application de EX x EX dans , -, 0, ?
  telle que
• Idée utiliser des collections pour voir des
  influences non (1,1)

 
 
18

• Ex (Jeune conducteur, collectionAccidents)

19

• le TALN Traitement Automatique de la Langue
  Naturelle
• Reformulation de requêtes pour des bases
  documentaires
• Extraction de relations sémantiques sur des
  textes de bio
• Documents composites en réponse à des questions
• une approche évolutionnaire

20
Le Problème
Système de recherche dinformation
Requête
Ensemble de documents
La recherche des parties pertinentes des
documents est réalisée par lutilisateur
21
PIRES Système de recherche dinformation
22
Le but
Extraction automatique de linformation
pertinente présente dans un ensemble de documents
Generation de documents composites à partir des
parties pertinentes présentes dans ces documents
23
Structure générale
PIRES
24
Une approche évolutionnaire les raisons

• Complexité du problème
• Paradigme de generation des documents composites
  résultats dune suite de découpages  et de
  recomposition de documents jusquà la
  satisfaction dun critère de qualité.

25
Conception de lalgorithme génétique

• Representation
• Individus ensembles de paragraphes
• croisement croisement uniforme
• Mutation remplacement dun paragraphe dans un
  individu

26
Genetic algorithms
Mutation
Selection
Crossover
Evaluation
Population of individuals
27
Perspectives
Amélioration de la segmentation (ClassStruggle,
SegGen) Opérateurs génétiques spécifiques
(adaptés au problème) Passage dun ensemble de
parties à un véritable document.
28
Rayonnement

• Animation de la recherche
• CP 2006 ICCS, EGC, Conference on Enterprise
  Information Systems
• Mise en place dateliers ou workshop EGC 2005,
  2006, FLAIRS 2005, 2006
• Mise en place du master recherche Calcul,
  Interaction, Décision (univ. Angers)
• Projets, Contrats, collaborations
• ACI (2002-2004) apprentissage et leurs
  dysfonctionnements
• Genopole ouest
• CPER PostGenome 2000-2006 Bioinformatique
• ANR RIAM (2006-2009), Projet SAPHIR
• Projet européen IST (2006-2009), Projet LOGOS
• Bourse France Telecom (2006-2008)
• Co-encadrements ESEO, ESAIP