LERIA

1. LERIA Equipe ICLNInteraction, 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 l’incertain 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. Exemple • 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)

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 l’ensemble de réponses du programme • Non monotonieAjoute autruche(Toto) {autruche(TiTi), oiseau(ToTo), autruche(ToTo), oiseau(TiTi), vole(TiTi), vole(ToTo)}

7. ensemble deconclusions réponsesà une question systèmed’interrogation systèmede déduction ASP formalisations théoriques + développement de systèmes systèmed’induction données brutes

8. possibilistic answerset programming Raisonnement par défaut sous incertitude prise en compte de l’incertain Raisonnement à partir d’informations incomplètes ASP logiqueclassique théorie des possibilités (Zadeh) Raisonnement à partir d’informations incertaines logiquepossibiliste

9. ASP pour problèmes combinatoires • Exemple de la 2-coloration d’un graphe s(1)., …, s(10). les données du problème a(1,3).,…., a(10,7). s(X), not vert(X) -> rouge(X) l’espace 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 d’une 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 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 • A quoi ça sert ? • Modélisation des idées • Aide à la décision  (propagation)

12. 1 2 1 2 agent état Accident Personne Mort … … 2. Modèle des cartes cognitives de graphes conceptuels graphe Modèle des graphes conceptuels support • Définition : Un état défini sur un support S est un couple (i, G) où unintitulé i qui décrit l’étatet G un graphe conceptuel défini sur S. • Définition : Une carte cognitive de graphes conceptuelsdéfinie sur un support Sest 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)

13. 1 graphe conceptuel Le support … …

15. Accident Accident 1 lieu 2 Campagne 1 agent 2 Conducteur 1 vitesse 2 Excès vitesse Accident 1 agent 2 Personne 1 état 2 Mort 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 collectiond'un graphe requêteG 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 …………………Accident campagne vitesse ………Accident mortel .………………………………………………………………………Carambolage ……………………………………………………………..Accident Brouillard…

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

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 d’information Requête Ensemble de documents La recherche des parties pertinentes des documents est réalisée par l’utilisateur

21. PIRES : Système de recherche d’information

22. Le but Extraction automatique de l’information pertinente présente dans un ensemble de documents Generation de documentscomposites 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 d’une suite de découpages  et de recomposition de documents jusqu’à la satisfaction d’un critère de qualité.

25. Conception de l’algorithme génétique Representation Individus = ensembles de paragraphes croisement = croisement uniforme Mutation = remplacement d’un paragraphe dans un individu

26. Genetic algorithms Mutation Selection Crossover Evaluation Population of individuals

27. Perspectives Amélioration de la segmentation (ClassStruggle, SegGen) Opérateurs génétiques spécifiques (adaptés au problème) Passage d’un 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 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