La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

LERIA Equipe ICLN Interaction, Connaissances et Langage Naturel.

Présentations similaires


Présentation au sujet: "LERIA Equipe ICLN Interaction, Connaissances et Langage Naturel."— Transcription de la présentation:

1 LERIA Equipe ICLN Interaction, 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 –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) > 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

6 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 lensemble de réponses du programme Non monotonie Ajoute autruche(Toto) {autruche(TiTi), oiseau(ToTo), autruche(ToTo), oiseau(TiTi), vole(TiTi), vole(ToTo) }

7 ASP système dinterrogation système de déduction système dinduction réponses à une question ensemble de conclusions données brutes formalisations théoriques + développement de systèmes

8 prise en compte de lincertain logique classique logique possibiliste ASP Raisonnement à partir dinformations incomplètes Raisonnement à partir dinformations incertaines possibilistic answer set programming Raisonnement par défaut sous incertitude théorie des possibilités (Zadeh)

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) -> rouge(X) lespace de s(X), not rouge(X) -> vert(X) recherche a(X,Y), rouge(X), rouge(Y) -> les contraintes a(X,Y), vert(X), vert(Y) -> 1 ensemble de réponses=1 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 = (E X, L X, étiq X ) où : – E X est l'ensemble des nœuds du graphe –L X est l'ensemble des arcs du graphe, appelés liens de la carte –étiq X est une fonction d'étiquetage qui à tout élément l de L X associe une étiquette étiq X (l) {+, -} à tout élément e de E X associe un état : étiq X (e) = i e A quoi ça sert ? –Modélisation des idées –Aide à la décision (propagation)

12 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 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 = (E X, L X, étiq X ) où : – E X est l'ensemble des nœuds du graphe –L X est l'ensemble des arcs du graphe, appelés liens de la carte –étiq X est une fonction d'étiquetage qui à tout élément l de L X associe une étiquette étiq X (l) {+, -} à tout élément e de E X associe un état : étiq X (e) = (i e,G e ) Accident 2 agent Personne état Mort … … Modèle des graphes conceptuels support graphe

13 … … Le support 1 graphe conceptuel

14

15 Accident 2 lieu Campagne Excès vitesse vitesse Conducteur agent Accident 2 agent Personne état 211 Mort …………………Accident campagne vitesse ………Accident mortel.………………………………………………………………………Carambolage ……………………………………………………………..Accident Brouillard… 3. Collections détats 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 lordre induit par le support Définition : La collection d'un graphe requête G dans une carte cognitive de graphes conceptuels X = (E X, L X, étiq X ), est la collection formée des noeuds e E X étiquetés par (i e, G e ) tels quil existe une projection de G dans G e. Un intitulé peut lui être associé Exemple: La collection du graphe suivant est appelé Accident

16

17 4. Exploitation des inférences Définition : influence L'influence I de X est une application de E X x E X dans {+, -, 0, ?} telle que Idée: utiliser des collections pour voir des influences non (1,1) +­0? ++?+? ­?­­? 0+­0? ????? +­0? ++­0? ­­+0? ???0? En ville Conducteur femme + Accident mortel - Petite voiture + + Nuit + Accident Campagne Vitesse

18 Ex: (Jeune conducteur, collection:Accidents) Jeune conducteur - + ->, collection:Accidents

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 Ensemble de documents Requête 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 Population of individuals Crossover Mutation Selection Evaluation

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 ( ) apprentissage et leurs dysfonctionnements –Genopole ouest –CPER PostGenome Bioinformatique –ANR RIAM ( ), Projet SAPHIR –Projet européen IST ( ), Projet LOGOS –Bourse France Telecom ( ) –Co-encadrements: ESEO, ESAIP


Télécharger ppt "LERIA Equipe ICLN Interaction, Connaissances et Langage Naturel."

Présentations similaires


Annonces Google