|
Dspace de universite Djillali Liabes de SBA >
Mémoire de Magister >
Informatique >
Veuillez utiliser cette adresse pour citer ce document :
http://hdl.handle.net/123456789/784
|
Titre: | Linked-Data dans les entreprises : Extraction des ontologies pour les données liées |
Auteur(s): | Khiati, Nadri Encadreur: MALKI, Mimoun |
Mots-clés: | Données liées Ontologies ACF découverte des règles d’association |
Date de publication: | 17-déc-2014 |
Résumé: | Le Web sémantique a vu une augmentation de la disponibilité et de l'utilisation de bases de connaissances au cours des dernières années, en particulier dans l'initiative de Linked Open Data, des
milliards de déclarations RDF sur Internet, des faits sur une grande variété de domaines, sont prêts à être utilisés par des applications sémantiques, mais malgré cette augmentation, la plupart des jeux de données sont en effet fondés sur des ontologies très simples, tandis que d'autres sont une simple
collection de faits sans une structure claire. Cependant, les ontologies (ou de manière générale «schémas») dérivées à partir des sources RDF peuvent également apporter des avantages importants pour le Web de données. Ils peuvent aider à faciliter l'intégration, l'interrogation et l'entretien des ensembles de données RDF.
Dans ce mémoire, nous proposons une approche basée sur l’analyse de concepts formels (ACF) et la découverte des règles d’association pour l'induction des schémas expressifs (ontologies) à partir de
grands dépôts RDF, ceci permet de façon semi-automatique de créer des ontologies avec presque tous les types d’axiomes du profile EL d’OWL 2. Résumé :
Le Web sémantique a vu une augmentation de la disponibilité et de l'utilisation de bases de
connaissances au cours des dernières années, en particulier dans l'initiative de Linked Open Data, des
milliards de déclarations RDF sur Internet, des faits sur une grande variété de domaines, sont prêts à
être utilisés par des applications sémantiques, mais malgré cette augmentation, la plupart des jeux de
données sont en effet fondés sur des ontologies très simples, tandis que d'autres sont une simple
collection de faits sans une structure claire. Cependant, les ontologies (ou de manière générale
«schémas») dérivées à partir des sources RDF peuvent également apporter des avantages importants
pour le Web de données. Ils peuvent aider à faciliter l'intégration, l'interrogation et l'entretien des
ensembles de données RDF.
Dans ce mémoire, nous proposons une approche basée sur l’analyse de concepts formels (ACF) et la
découverte des règles d’association pour l'induction des schémas expressifs (ontologies) à partir de
grands dépôts RDF, ceci permet de façon semi-automatique de créer des ontologies avec presque tous
les types d’axiomes du profile EL d’OWL 2.
Mots clés : Données liées, Ontologies, ACF, découverte des règles d’association.
----------------------------------------------Abstract
The Semantic Web has seen a rise in the availability and usage of knowledge bases over the past
years, in particular in the Linked Open Data initiative. Billions of RDF statements on the Internet, facts
about a variety of different domains, are ready to be used by semantic applications. Despite this
growth, most data sets are in fact based on very simple ontologies, while others are, to a large extent, a
mere collection of facts without a clear structure. However, ontologies (or generally speaking
“schemas”) derived from RDF repositories can also bring major benefits for the Web of Data. They can
help to ease integration, querying and maintenance of RDF datasets.
In this thesis, we propose an approach based on Formal concept analysis (FCA) and association rule
mining for the induction of expressive schemas (ontologies) from large RDF repositories. This allows
to semi semi-automatically creating ontologies with almost all axioms of OWL 2 EL profile.
Keywords : Linked Data, Ontologies, FCA, Association Rule Mining. |
Description: | Magister |
URI/URL: | http://hdl.handle.net/123456789/784 |
Collection(s) : | Informatique
|
Fichier(s) constituant ce document :
|
Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.
|