leria equipe icln interaction, connaissances et langage naturel
TRANSCRIPT
LERIA
Equipe ICLNInteraction, Connaissances et Langage Naturel
• MembresPermanents
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)
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 l’incertain dans le raisonnement non monotone• Programmation par ensemble réponses (ASP)
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, …
– 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 d’information indiquant que Toto est une autruche
– Impossible à représenter en logique classique X, oiseau(X) autruche(X) vole(X) autruche(TiTi), oiseau(ToTo) > rien X, autruche(X) oiseau(X) vole(X) > oiseau(TiTi), vole(TiTi) X, oiseau(X) vole(X) autruche(TiTi), oiseau(ToTo) X, autruche(X) oiseau(X) vole(X) > vole(TiTi), vole(ToTo), vole(Titi)
Exemple
ASP• Programmes logiques avec négations par défaut
oiseau(X), not autruche(X) -> vole(X) autruche(X)-> vole(X) autruche(X)-> oiseau(X) autruche(TiTi), oiseau(ToTo)> oiseau(TiTi), vole(TiTi),vole(ToTo)
• « answer set semantics »{autruche(TiTi), oiseau(ToTo),
oiseau(TiTi), vole(TiTi), vole(ToTo)}est l’ensemble de réponses du programme
• Non monotonieAjoute autruche(Toto){autruche(TiTi), oiseau(ToTo), autruche(ToTo), oiseau(TiTi), vole(TiTi), vole(ToTo) }
ASP
systèmed’interrogation
systèmede déduction
systèmed’induction
réponsesà une question
ensemble deconclusions
données brutes
formalisations théoriques+
développement de systèmes
prise en compte de l’incertain
logiqueclassique
logiquepossibiliste
ASP
Raisonnement à partir d’informations incomplètes
Raisonnem
ent à partir d’inform
ations incertaines
possibilistic answerset programming
Raisonnement par défaut sous incertitude
théorie des possibilités (Zadeh)
ASP pour problèmes combinatoires
• Exemple de la 2-coloration d’un graphes(1)., …, s(10). les données du problèmea(1,3).,…., a(10,7).s(X), not vert(X) -> rouge(X) l’espace des(X), not rouge(X) -> vert(X) recherchea(X,Y), rouge(X), rouge(Y) -> les
contraintesa(X,Y), vert(X), vert(Y) ->
• 1 ensemble de réponses=1 coloration admissible• Codage du Sudoku en un programme d’une
quinzaine de lignes résolu immédiatement par les solveurs actuels
• 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
1. Modèle des cartes cognitives• Définition : Un état est un intitulé i qui décrit l’état
• Définition : Une carte cognitive est un graphe orienté X = (EX, LX, étiqX) où :
– EX est l'ensemble des nœuds 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
En ville
Conducteur femme +
Accident mortel
-
Petite voiture + +
Nuit +
e1 e3
e4 e5
e2
• A quoi ça sert ?– Modélisation des idées
– Aide à la décision (propagation)
2. Modèle des cartes cognitives de graphes conceptuels
• Définition : Un état défini sur un support S est un couple (i, G) où un intitulé i qui décrit l’état 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 nœuds 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)
Accident 2 agent Personne état 2 1 1
Mort
…
…
T
Etre Vivant Lieu Action Période
Personne Ville Campagne Accident Jour Nuit
Homme Femme
T2
agent
lieu
temps
TC TR
Autoroute Route départementale
Modèle des graphes conceptuels
support
graphe
En ville
Conducteur femme +
Accident mortel
-
Petite voiture + +
Nuit +
e1 e3
e4 e5
e2
Accident 2 agent Personne état 2 1 1
Accident mortel
Mort
…
…
Le support
1 graphe
conceptuel T
Etre Vivant Lieu Action Période
Personne Ville Campagne Accident Jour Nuit
Homme Femme
T2
agent
lieu
temps
TC TR
Autoroute Route départementale
Accident
Accident
2
lieu Campagne
Excès vitessevitesseConducteuragent 2
2
11
1
Accident 2agent Personne état2 11 Mort
…………………Accident campagne vitesse
………Accident mortel
.………………………………………………………………………Carambolage……………………………………………………………..Accident Brouillard…
3. Collections d’états
• Définition : Une projection d'un graphe conceptuel G dans un graphe conceptuel H est une application Π 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 l’ordre 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 qu’il existe une projection de G dans Ge.
Un intitulé peut lui être associé
• Exemple: La collection du graphe suivant est appelé Accident
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)
+ 0 ?
+ + ? + ?
? ?
0 + 0 ?
? ? ? ? ?
+ 0 ?
+ + 0 ?
+ 0 ?
0 0 0 0 0
? ? ? 0 ?
),(),( 11
]1,1[,
kk
HkHHji hhIeeI
ji
En ville
Conducteur femme +
Accident mortel
-
Petite voiture + +
Nuit +
Accident Campagne Vitesse
• Ex: (Jeune conducteur, collection:Accidents)
• Jeune conducteur - + ->, collection:Accidents
• 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
Le Problème
Système de recherche d’information
Ensemble de documentsRequête
La recherche des parties pertinentes des documents est réalisée par l’utilisateur
PIRES : Système de recherche d’information
Le butExtraction automatique de l’information pertinente présente dans un ensemble de documents
Generation de documents composites à partir des parties pertinentes présentes dans ces documents
Structure générale
PIRES
Une approche évolutionnaire : les raisons
Complexité du problèmeParadigme de generation des documents composites : résultats d’une suite de découpages et de recomposition de documents jusqu’à la satisfaction d’un critère de qualité.
Conception de l’algorithme génétique
Representation
Individus = ensembles de paragraphes
croisement = croisement uniforme
Mutation = remplacement d’un paragraphe dans un individu
Genetic algorithms
Population of individuals
Crossover
Mutation
Selection
Evaluation
Perspectives
Amélioration de la segmentation (ClassStruggle, SegGen)
Opérateurs génétiques spécifiques (adaptés au problème)
Passage d’un ensemble de parties à un véritable document.
Rayonnement• Animation de la recherche
– CP 2006: ICCS, EGC, Conference on Enterprise Information Systems – Mise en place d’ateliers 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