DSpace
 

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 :

Fichier Description TailleFormat
MAG_Inf_KHIATI_Nadri.pdf3,74 MBAdobe PDFVoir/Ouvrir
View Statistics

Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.

 

Ce site utilise la plate-forme Dspace version 3.2-Copyright ©2014.