Search

AGAP : équipe GE2pop; Document Indexing is but not limited to summarizing document contents with a small set of keywords or concepts of a knowledge base. Such a compact representation of document contents eases their use in numerous processes such as content-based information retrieval, corpus-mining and classification. An important effort has been devoted in recent years to (partly) automate semantic indexing, i.e. associating concepts to documents, leading to the availability of large corpora of semantically indexed documents. In this paper we introduce a method that hierarchically clusters documents based on their semantic indices while providing the proposed clusters with semantic labels. Our approach follows a neighbor joining strategy. Starting from a distance matrix reflecting the semantic similarity of documents, it iteratively se- lects the two closest clusters to merge them in a larger one. The similarity matrix is then updated. This is usually done by combining similarity of the two merged clusters, e.g. using the average similarity. We propose in this paper an alternative approach where the new cluster is first semantically annotated and the similarity matrix is then updated using the semantic similarity of this new annotation with those of the remaining clusters. The hierarchical clustering so obtained is a binary tree with branch lengths that convey semantic distances of clusters. It is then post-processed by using the branch lengths to keep only the most relevant clusters. Such a tool has numerous practical applications as it automates the organi- zation of documents in meaningful clusters (e.g. papers indexed by MeSH terms, bookmarks or pictures indexed by WordNet) which is a tedious everyday task for many people. We assess the quality of the proposed methods using a specific benchmark of annotated clusters of bookmarks that were built man- ually. Each dataset of this benchmark has been clustered independently by several users. Remarkably, the clusters automatically built by our method are congruent with the clusters proposed by experts. All resources of this work, including source code, jar file, benchmark files and results are available at this address: http://sc.nicolasfiorini.info .

In this article we will focus on content recommendation, especially in knowledge bases. The Ph.D subject introduced focuses on multiscale text embedding (sentences, paragraphs and whole documents), and recommendation build on top of those representations. Recommendations could be done on a knowledge base or between different ones. After a short presentation of our corpus and a state of the art about current embedding methods we will discuss about the relevance of embedding graph structure, as well as future outlook of our work and its contribution to IR, Dans cet article nous nous intéresserons à la recommandation de contenus, et plus particulièrement au sein de bases de connaissances. Le sujet de thèse présenté ici se focalise sur la représentation de documents textuels en prenant en compte plusieurs échelles (phrase, paragraphe et document entier) et l'exploitation de celle-ci par un système de recommandation, soit au sein de la même base de connaissances, soit entre des bases différentes. Après un détail du corpus considéré pour ces travaux et un état de l'art sur les méthodes d'embedding actuelles, nous discuterons de l'utilité de l'exploitation de la structure du graphe du corpus pour la représentation, puis des perspectives du sujet et de sa contribution à la recherche d'information.

Cet article porte sur une langue de spécialité relativement peu étudiée en anglais : celle de la chimie organique. Le discours de spécialité chimique est analysé à travers la mise en évidence de deux phénomènes linguistiques également méconnus : l’indétermination terminologique et la multidimensionnalité dans les sciences exactes. En effet, malgré la présence d’une nomenclature en chimie, une exploration textuelle outillée d’un double corpus, associée à une analyse componentielle revisitée des énoncés définitoires de certains termes clés a permis d’établir clairement que ces derniers étaient non seulement imprécis, mais qu’ils ne se prêtaient pas à une approche conceptuelle et logique des unités linguistiques. L’auteur montre également que cette indétermination est partiellement compensée par une très forte créativité lexicale, une structuration conceptuelle extrêmement dense et une construction sémantique des termes par incrémentation. Néanmoins, ce fonctionnement par stratification est également à l’origine de la multidimensionnalité latente du domaine et donc des nombreuses difficultés de classification et de représentation notionnelles de la discipline. This paper focuses on a relatively unexplored field of research within English for Specific Purposes: that of organic chemistry. The specialized discourse of chemistry is analyzed through the identification of two specific linguistic phenomena that are also often overlooked: terminological indeterminacy and multidimensionality within exact sciences. Indeed, despite the existence of a chemical nomenclature, the exploration (through a concordancer) of a double corpus combined with a fresh perspective on the componential analysis of certain definitions and a semantic breakdown around key terms shows that certain terminological units are imprecise and do not allow for a conceptual and ontological approach. The author also shows that this terminological and notional indeterminacy is partly offset by a very strong lexical creativity, an extremely dense conceptual organization and layered semantic constructions. However, these phenomena also lead to strong multidimensionality within the field and many difficulties regarding conceptual organization and representation.

National audience; La masse des données aujourd'hui disponibles engendre des besoins croissants de méthodes décisionnelles adaptées aux données traitées. Ainsi, récemment de nouvelles approches fondées sur des cubes de textes sont apparues pour pouvoir analyser et extraire de la connaissance à partir de documents. L'originalité de ces cubes est d'étendre les approches traditionnelles des entrepôts et des technologies OLAP à des contenus textuels. Dans cet article, nous nous intéressons à deux nouvelles fonctions d'agrégation. La première propose une nouvelle mesure de TF-IDF adaptative permettant de tenir compte des hiérarchies associées aux dimensions. La seconde est une agrégation dynamique permettant de faire émerger des groupements correspondant à une situation réelle. Les expériences menées sur des données issues du serveur HAL d'une université confirment l'intérêt de nos propositions.

This thesis studies the use of ontology and knowledge base for guiding various steps of the Knowledge Discovery in Databases (KDD) process in the domain of pharmacogenomics.Data related to this domain are heterogeneous, complex, and disseminated through several data sources. Consequently, the preliminary step that consists in the preparation and the integration of data is crucial. For guiding this step, an original approach is proposed, based on a knowledge representation of the domain within two ontologies in description logics: SNP-Ontology and SO-Pharm. This approach has been implemented using semantic Web technologies and leads finally to populating a pharmacogenomic knowledge base. As a result, data to analyze are represented in the knowledge base, which is a benefit for guiding following steps of the knowledge discovery process. Firstly, I study this benefit for feature selection by illustrating how the knowledge base can be used for this purpose. Secondly, I describe and apply to pharmacogenomics a new method named Role Assertion Analysis (or RAA) that enables knowledge discovery directly from knowledge bases. This method uses data mining algorithms over assertions of our pharmacogenomic knowledge base and results in the discovery of new and relevant knowledge.; Cette thèse porte sur l'utilisation d'ontologies et de bases de connaissances pour guider différentes étapes du processus d'Extraction de Connaissances à partir de Bases de Données (ECBD) et sur une application en pharmacogénomique. Les données relatives à ce domaine sont hétérogènes, complexes, et distribuées dans diverses bases de données, ce qui rend cruciale l'étape préliminaire de préparation et d'intégration des données à fouiller. Je propose pour guider cette étape une approche originale d'intégration de données qui s'appuie sur une représentation des connaissances du domaine sous forme de deux ontologies en logiques de description : SNP-Ontology et SO-Pharm. Cette approche a été implémentée grâce aux technologies du Web sémantique et conduit au peuplement d'une base de connaissances pharmacogénomique. Le fait que les données à fouiller soient alors disponibles dans une base de connaissances entraîne de nouvelles potentialités pour le processus d'extraction de connaissances. Je me suis d'abord intéressé au problème de la sélection des données les plus pertinentes à fouiller en montrant comment la base de connaissances peut être exploitée dans ce but. Ensuite j'ai décrit et appliqué à la pharmacogénomique, une méthode qui permet l'extraction de connaissances directement à partir d'une base de connaissances. Cette méthode appelée Analyse des Assertions de Rôles (ou AAR) permet d'utiliser des algorithmes de fouille de données sur un ensemble d'assertions de la base de connaissances pharmacogénomique et d'expliciter des connaissances nouvelles et pertinentes qui y étaient enfouies.

International audience

[Departement_IRSTEA]RE [TR1_IRSTEA]RIE / TRANSFEAU; Le calage de modèle reste une étape critique de la modélisation numérique. Après de nombreuses tentatives d`automatisation de cette tâche dans différentes domaines liés à l`eau, des questions se posent encore sur la nécessité de caler des modèles à base physique. Cet article propose aux utilisateurs de codes de calcul en hydraulique un cadre pour réaliser cette tâche selon un « code de bonnes pratiques ». Ce cadre comporte une formalisation des objets manipulés en hydraulique fluviale 1-D ainsi qu`une description conceptuelle générique du processus de calage. Ces deux éléments ont été implémentés dans un système à base de connaissances, intégrant un code de calcul ainsi que des connaissances d`experts sur le calage de modèle. Un prototype de système d`assistance au calage a ensuite été construit à l`aide d`un code de calcul résolvant les équations de Saint-Venant dans des rivières à lit fixe. Le cadre fourni pour le calage de modèle est composé de trois niveaux indépendants reliés respectivement à la tâche générique, au domaine d`application, et au code de calcul lui-même. Les deux premiers niveaux de connaissances peuvent ainsi aisément être réutilisés pour construire des systèmes d`assistance au calage pour d`autres domaines d`application, comme l`hydraulique 2-D ou encore la modélisation hydrologique à base physique. / Model calibration remains a critical step in numerical modelling. After many attempts to automate this task in water-related domains, questions about the actual need for calibrating physics-based models are still open. This article proposes a framework for good model calibration practice for end-users of 1-D hydraulic simulation codes. This framework includes a formalisation of objects used in 1-D river hydraulics along with a generic conceptual description of the model calibration process. It was implemented within a knowledge-based system integrating a simulation code and expert knowledge about model calibration. A prototype calibration support system was then built up with a specific simulation code solving subcritical unsteady flow equations for fixed-bed rivers. The framework for model calibration is composed of three independent levels related respectively to the generic task, to the application domain, and to the simulation code itself. The first two knowledge levels can thus easily be reused to build calibration support systems for other application domains, like 2-D hydrodynamics or physics-based rainfall-runoff modelling.