Home

Raisonnement classificatoire dans une représentation à

1. 1 2 3 La repr sentation de la connaissance Syntaxe et s mantique L agent et le monde repr senter 28 L incompl tude de la repr sentation 28 1 2 4 Te TAISOMMEMIEME ERNE nener EEEN EEE dt a An RAT PT hte costal Te Pr EEE les 28 1 3 Techniques de repr sentation 1 3 1 LOPIQU Ann ann cient Avantages Inconv nients ist nine nent ants son adaieseaeeabsoencdvasiteces 1 3 2 Syst mes base de r plesiran iin ii i E EEEREN inst Repr sentation de la connaissance M camsmes deraisonni ments n riene cinan inh Re rt st RNN Avanta de Sie anae i RNANA TENERAN de nr te EN A EENE Inconv nients 1 3 3 R seaux s mantiques 0 eee eeeseeeceeee Repr sentation de la connaissance M canismes de raisonnement Avantages ne JETOI ODL ADT t LEE EE E ES T E nan men tn nn etes 1 3 4 E nE i TY NENEN EEEE EE EEEE Repr sentation de la connaissance es M canismes de raisonn ment isisisi siiin enaa anaandaa aR A E EEATT AV AIMED BES hs e ee reaa S EASO EKES E EEAS nn EE e E N AEA tes Inconv nients s 1 3 5 Logiq es terminolo riques eyen eeose een epena ere EEE EEE ERE EEn E ERE e EPEE Pea E EASO ES EERE EAREN e FOA test Repr sentation de la connaissance M canismes de raisonnement AVANTAGES ne Inconv nients 1 3 6 Graphes conceptuels Repr sentation de la connaissance M canismes de raisonnement Avantages ne Inconv nients SE COTMCIUSIOM EEA EEE E
2. PLANT GI M canismes de raisonnement La proc dure de propagation d activation propos e initialement par Quillian pour raisonner avec un r seau s mantique cherche a tablir les liens existant entre deux concepts que l agent veut mettre en correspondance Le point de d part de la m thode est les n uds de deux concepts en question la m thode active tous les n uds connect s a chacun d eux puis les n uds connect s aux n uds qui viennent d tre activ s et ainsi de suite Une connexion s tablit quand un n ud est activ par deux liens diff rents a ce moment le syst me reconstruit le chemin d activation pour lier les deux n uds initiaux La complexit d tablir une relation entre deux n uds du r seau est proportionnelle la distance nombre de liens entre ces deux n uds Cette notion spatiale de distance Les diff rentes s mantiques donn es aux liens dans les r seaux s mantiques sont discut es dans BRA83 et WOO75 35 entre connaissances apparait ici pour la premi re fois dans une repr sentation propositionnelle Bien que ce m canisme initial d inf rence fortement inspir des id es en psychologie soit encore utilis pour le parcours du thesaurus dans certains syst mes de recherche d information COH amp 84 la plupart des r seaux s mantiques actuels favorisent le m canisme de filtrage Le filtrage consiste parcourir le graph
3. Introduction Les syst mes de repr sentation de connaissances comportent d une part un mod le d claratif de repr sentation de la connaissance et d autre part les m canismes d inf rence qui travaillent sur ce mod le Dans ce chapitre nous pr sentons le mod le de repr sentation multi points de vue TROPES qui est le mod le de base de notre travail A partir du chapitre 6 nous d crivons les m canismes d inf rence par classification d instances que nous avons d velopp s sur ce mod le TROPES est un mod le de repr sentation de connaissances objets qui permet la repr sentation d objets complexes incomplets et volutifs TROPES s pare la connaissance du monde dans des familles ou concepts disjoints Un concept peut tre vu et manipul selon des points de vue diff rents chaque point de vue donne lieu une structuration particuli re de la connaissance du concept dans un graphe de classes L aspect pluridisciplinaire d une base de connaissances se refl te dans l ensemble de points de vue Les points de vue d un concept peuvent tre connect s par des passerelles une passerelle tablit une relation d inclusion ensembliste entre des classes de points de vue diff rents Les passerelles refl tent l aspect interdisciplinaire d une base de connaissances et s av rent tr s utiles pour les m canismes d inf rence par classification Dans TROPES un individu du monde est repr sent par une in
4. la base Base de faits Base de r glef oO Base de connaissances s lection fait r gles applicablels ondition action choix d une r ql O O ex cution de l ad associ e Nouvelle base de faits Cycle du moteur d inf rences Fig 1 4 en chainage avant un cycle du moteur d inf rence s lectionne les r gles applicables par unification de la condition avec les faits choisit une r gle et l ex cute en ajoutant sa partie droite la base de faits Le moteur d inf rence peut fonctionner dans deux modes diff rents cha nage avant et cha nage arri re En chainage avant le raisonnement est dirig par les donn es le syst me part d un ensemble de faits de d part et il enrichit cet ensemble par l application des diff rentes r gles possibles Le cycle de base est celui pr sent auparavant et il s arr te quand le syst me ne trouve plus aucune r gle d clencher ou lors de l apparition de certains faits dans la base Le cha nage arri re correspond plus l utilisation que fait un novice ou un l ve du syst me par rapport au mode d ductif qui est le mode de recherche d un expert ici le raisonnement est dirig par les buts le syst me veut prouver un but ou un ensemble de buts donn s comme information de d part le cycle d inf rence est similaire a celui du chainage avant mais l appariement se fait entre la partie droite de la r gl
5. lt Matrice3 Matrice gt lt Matrice Matrice4 gt lt Matrice Matrice gt lt Matrice2 Matrice gt gt lt Matrice3 Matrice2 gt lt Matrice2 Matrice gt lt Matrice Matrice2 gt lt Matrice3 Matrice4 gt lt Matrice4 Matrice3 gt lt Matrice_diag 1 Sym trique2 gt lt D finie_positive3 Matrice_carr e2 gt La classification multi points de vue consiste alors tendre la classification d un arbre de classification toute la for t d arbres d crite par un syst me de classification Le r sultat de la classification multi points de vue n est plus un univers d un arbre mais un tuple d univers un pour chaque arbre ou point de vue La classification multi points de vue est la combinaison de plusieurs classification simples et des passerelles entre les arbres En effet si par classification de x dans un arbre Al on d duit xe x et qu il y a une passerelle KB gt e P alors on a aussi xe KB Ainsi si la matrice identit I est reconnue comme tant une matrice diagonale dans l arbre de classification Al structure alors en utilisant la passerelle lt Matrice_diag Sym trique2 gt le systeme peut inf rer que la matrice identit est une matrice sym trique dans oe de classification A2 structure il fait ainsi un raccourci dans la descente de I dans A 7 1 5 S classification Nous allons d finir par la suite le terme S classification qui g n ralise la classification d un arbre to
6. 2 2 4 Par opposition cette approche les repr sentations par prototypes d crivent les entit s du monde l aide d un seul type d objet le prototype Un prototype est un indi vidu repr sentatif d une cat gorie d objets qu il d crit implicitement ainsi le prototype poss de les propri t s les plus remarquables chez les membres de la cat gorie ces pro pri t s sont des informations par d faut et non pas des informations d finitionnelles dans la mesure o un autre membre particulier de la m me cat gorie peut ne pas les partager L approche par prototypes prend ses sources dans des tudes en psychologie qui af firment que l tre humain raisonne mieux partir des exemples sp cifiques qu il garde dans sa m moire pour ajouter une nouvelle connaissance un nouveau concept il cherche dans sa m moire un prototype semblable et en fait une copie en modifiant ou annulant les propri t s que le nouveau concept ne partage pas avec le prototype copi MAS amp 89 A la diff rence de l approche classe instance qui exige d avoir la d finition de la classe avant de cr er ses instances l approche par prototype permet de cr er les concepts indi viduels ind pendamment de toute abstraction qui serait la classe LIE86 Cette pro pri t fait des prototypes des bons candidats pour repr senter les connaissances des domaines dans lesquels l identification a priori de tous les attributs esse
7. 4 5 4 5 6 TROPES g re les deux premiers types de descriptions de domaines multi valu s pr sent s pr c demment ainsi la complexit de la validation d un type pour une valeur 228 donn e lorsque celle ci est une multi valeur est la complexit maximale de ces deux formes de description En r sum la complexit de la fonction valider est la somme de la complexit de la v rification de la classe de la valeur et du co t maximal de la v rification du domaine COMPLEXIT POUR VALIDER UN TYPE POUR UNE VALEUR D ATTRIBUT fa O valider fat fdom o fdom max dmo dmno dmmo dmmno fat O valider descripteur type O b p tt tt O descr_1_type O a M fdom dmo O dom_mono_ordonne O log in dmno O dom_mono_non_ordonne O t dmmo O dom_multi_ord maximum O in O 1 c dmmno O dom_multi_non_ord maximum O t c 0 1 c c o b nombre de disjonctions des classes d appartenance pour l attribut p nombre des points de vue du concept de l attribut a nombre d attributs d un concept m nombre de concepts de la base in nombre d intervalles composant le domaine ordonn t nombre d l ments permis ou exclus du domaine de base l nombre de multi valeurs du domaine c taille maximale permise pour une multi valeur descripteur card Pour la classification d instances simples fat 0 Pour la classification d
8. Quartier latin Fig 6 12 Si dans l exemple de l appartement la classe Appartement Localisation a outre les attributs cl s l attribut quartier le syst me demande sa valeur l utilisateur puis rattache l instance cette classe qui devient s re ferm e 6 3 4 Appariement Le but de l tape d appariement est de trouver une classe s re parmi les sous classes de C_actuelle qui ne sont pas encore marqu es S1 S2 Sn c est dire trouver une classe pour laquelle l instance I satisfait toutes les contraintes pour pouvoir descendre I d un niveau dans l arbre de classes de ce point de vue Une classe Sj est une classe s re pour I si I satisfait son type c est dire si I a une valeur valide pour tous les attributs de la classe Sj ou si pour tout attribut non valu dans l instance on peut affirmer que lorsqu elle aura une valeur cette valeur sera valide Ce deuxi me cas est vrai pour un attribut si son type pour l instance calcul et stock dans le I moule est un sous type de son type pour la classe Sj La proc dure d appariement suit deux principes lUne des sous classes a pu tre marqu e comme impossible par une passerelle dans ce cas elle n est videment pas examin e 196 1 Faire le maximum d inf rences avant de commencer poser des questions l utilisateur 2 Ordonner les questions poser l utilisateur de fa on tirer le maximum d
9. Why People Think Computers Can t Technology Review d cembre 1983 NGU A WONG L WIDJOJO S On Canonical and Non canonical Classifications 2 International Conference on Deductive and Object oriented Databases Munich Germany d cembre 1991 LNCS 566 pp 371 390 1991 PAPALASKARIS M A SCHUBERT L Parts Inference Closed and Semi closed Partitionings Graphs Proceedings 7th IJCAI pp 304 309 1981 SCHUBERT L Problems with Parts Proceedings 6th ICAI pp 778 784 1979 SCHUBERT L PAPALASKARIS M A THAUGHER J Determining Type Part Color and Time Relationships IEEE Computer vol 16 n 10 pp 53 60 octobre 1983 SHASTRI L Why Semantic Networks in Principles of Semantic Networks Explorations in the Representation of Knowledge J Sowa d Morgan Kaufman Publishing chapitre 3 pp 109 136 1991 STEFIK M BOBROW D G Object Oriented Programming Themes and Variations The A I Magazine vol 6 n 4 pp 40 62 1985 SUSSMAN G J STEELE G S Jr CONSTRAINTS A Language for Expressing Almost Hierarchical Descriptions Artificial Intelligence vol 14 pp 1 39 1980 ULLMAN J Principles of Data based and Knowledge based Systems vol 1 Computer Science Press Maryland 1988 VARELA F Connaitre les Sciences Cognitives Tendances et Perspectives SEUIL Paris 1989 WINSTON M E CHAFFIN R HERRMANN D A Taxonomy of Part Whole Relations Cognitive Science vol 11 pp 417 444 1987
10. 114 WOL amp 91 WOLINSKI F PERROT J F Representation of Complex Objects Multiple facets with Part Whole Hierarchies ECOOP 91 Springer Verlag Geneve Suisse juillet pp 288 306 1991 ZEI84 ZIEGLER B P Multifaceted Modeling Methodology grappling with the irreductible Complexity of Systems Behavioral Science vol 29 pp 167 178 1984 115 116 Chapitre 4 Raisonnement par classification Raisonnement par classification ccscccsssccssssccssssccssssscssssscssssscssssssssscsssssssssssssssscess L19 Introductions ment nent nn nt nn EE Re tte tte tn 4 1 La classification un m canisme de raisonnement iai 4 2 Classification dans les repr sentations objets 43 Composants de la classification inner 43 1 Les cat gories et leur relation d ordre D finition fonctionnelle Fonction bool enne d appartenance eeecsessseeesseeeeeeens Fonction trois valeurs pour la relation d appartenance 124 Relation d ordre entre Cat gories rm 124 D finition structurelles ins ith wh ii Gea RP ae ere ae inne a 125 Deux valeurs pour la relation d appartenance sense 125 Trois valeurs pour la relation d appartenance uen 125 Relation d ordre entre cat gories nininini inin 126 D finition Tous nn nt canette Sn AN Rte arr et ARR cbt 126 4 3 2 Graphe de cat gories Description explicite des relations d ordre partiel mn Description explicite des cat gories in
11. 7 1 Correction de l algorithme 7 1 1 Forme de classification 7 1 2 Arbre de classification 7 1 3 Trace de classification 7 1 4 Syst me de classifications tt dit nine lesen consuacevuasssnasiensesstasbe 7 1 5 Selassie E K E ENERE E E Re EEEE 7 1 6 Consistance d un syst me de classification 7 1 7 Convergence d la classification he tiennent 7 1 8 Algorithme de classifications nn rnb 7 2 Complexit de l algorithme 7 2 1 Complexit de la validation du type d un attribut eecssseccesseesseseecsssseecssnsessnsecessnessesseesssssecsssessess 225 Validation d descripteur de typerin eau du tannins tent 225 Validation du domaine ste nn ee RER A nt SE RUE 226 22 Complexit de la proc dure d obtention d information P EEEN OERE 230 7 2 3 Complexit de la proc dure d appariement ibn 230 7 24 Complexit de la proc dure de propagation de Marque oc esessessssssecssssesssssscsssesseseeecsssseessnecssssesssseessssseessse 232 Propagation l int rieur d un point de vue been 234 Propagation par les passerelles 234 7 2 5 Complexit de la proc dure de mise JOUT nn 237 7 2 6 Complexit de la proc dure du choix du prochain point de vue 7 2 7 Complexit totale de l algorithme de classification sun 239 Propagation de toutes les passerelles d s le d but 240 Propagation de toutes les passerelles la fin as es CONCLUSLOM ESS RSs ee A
12. COL amp 83 fond sur la logique du premier ordre et utilis comme langage de base de plusieurs syst mes experts d velopp s par la suite 1 3 2 Repr sentation de la connaissance Une base de connaissances en logique est constitu e exclusivement d un ensemble de formules logiques bien form es d crivant l univers du discours Ces formules ont une syntaxe pr cise elles sont form es partir de pr dicats de connecteurs logiques et ou implication et n gation de quantificateurs existentiel et universel et de variables et constantes Un pr dicat correspond une fonction donnant une valeur de v rit vrai ou faux les variables et les constantes sont interpr t es dans des contextes sp cifiques Par exemple les expressions suivantes sont des formules bien form es d un langage contenant les pr dicats un param tre chien et aboie et la constante Olafo 1 chien Olafo 2 Vx chien x gt aboie x M canismes de raisonnement Le raisonnement logique est un raisonnement d ductif qui essaie d expliciter les informations implicites contenues dans une base de connaissances v rifier si une assertion est vraie dans un univers repr sent par une th orie l ensemble de formules de la base consiste v rifier si la formule qui repr sente l assertion est une cons quence logique de cette th orie Le m canisme de d duction utilise un ensemble de r gles d inf rence pour d duire des nouveaux fai
13. Cardinalit Le plus petit et le plus grand nombre d l ments de la collection correspondante la valeur de l attribut S mantique Il faut d terminer si la collection de valeurs simples qui sert comme valeur a l attribut repr sente une valeur monolithique ou bien une combinaison de plusieurs valeurs simples Ainsi par exemple on peut d finir l attribut propri t s quence_solution d une classe Probl mes_math matiques comme une multi valeur de cardinalit 10 d entiers et on peut avoir une instance Fibonacci de cette classe ayant pour cet attribut la valeur 0 1 1 2 3 5 8 13 21 34 Cette valeur est une seule unit de connaissances et elle doit tre manipul e comme une valeur indivisible Par contre lorsqu on d finit l attribut propri t multi valu couleur pour la classe oiseau la multi valeur rouge jaune verte de l instance Perroquet doit tre interpr t e comme une combinaison de plusieurs valeurs simples En particulier on doit pouvoir manipuler chacune de ces valeurs simples ou en ajouter d autres Structure Une combinaison de valeurs simples peut tre vue comme un ensemble comme une suite ou comme une collection sans l ments dupliqu s Dans le premier cas l ordre des l ments n est pas important et on n admet pas d occurrence multiple c est le cas de l attribut couleur des oiseaux dans le cas de suites l ordre devient important et on admet des
14. Clenom Termes exp Term t Termes tr I Term t Fact f Term fr amp Fact f MCS Typexp exp me Nomclas cle IDENT co Literal IDENT cl Literal IDENT pv IDENT cl Literal IDENT pv Clenom c Ts STRING cle e IDENT cle 275
15. Le concept principal de la base est le concept Automobile structur selon trois points de vue m canique d crivant une voiture en tant que machine physique aspects externes de la voiture et d utilisation type de transport En dehors de la passerelle existant entre les racines des points de vue il existe une passerelle unidirectionnelle menant du point de vue utilisation vers le point de vue physique Cette passerelle indique que tout v hicule de transport de marchandises et de mat riaux est conomique Une voiture a des propri t s telles que sa plaque sa cl pour l identifier de fa on unique sa couleur ses dimensions son poids etc Puis elle peut tre d compos e de diff rentes fa ons Du point de vue m canique ses composants sont le moteur la 175 transmission la suspension la direction et le freinage du point de vue physique elle poss de une carrosserie et des roues du point de vue utilisation il n y a aucune d composition pertinente la voiture est vue comme un objet non d composable Chaque composant de la voiture prend ses valeurs dans un concept de la base L attribut composant moteur par exemple prend ses valeurs dans le concept moteur qui est structur en deux points de vue m canique et lectrique dans ce dernier le moteur est d compos en batterie g n rateur de courant d marreur etc Le composant carrosserie peut tre d compos du point de vue physique en portes et carros
16. Les classes s res forment un ordre total dont la classe la plus grande est la racine C PV et la classe la plus petite est C min PVi Toutes les classes s res sont des classes ferm es sauf C min PV qui peut tre ouverte ou ferm e Toutes les sous classes d une classe marqu e impossible sont marqu es impossible Pour les passerelles Si toutes les sources d une passerelle sont marqu es s res sa destination l est aussi Si la destination d une passerelle est impossible alors au moins une de ses sources n est pas marqu e s re car si toutes les sources taient marqu e s re alors la destination serait n cessairement s re aussi Toute classe marqu e impossible sous classe d une classe non marqu e est la source d une passerelle dont la destination est aussi marqu e impossible En effet pour qu une sous classe d une classe non marqu e soit marqu e sa marque a d e tre d duite par une passerelle Comme nous allons montrer plus loin 6 3 5 si la destination d une passerelle est impossible et toutes ses sources sauf une sont s res alors cette derni re est marqu e impossible et c est la seule fa on d inf rer une marque impossible par une passerelle Pour le point de vue actuel PV actuel C actuelle est une classe s re ouverte Le point de vue actuel est un point de vue auxiliaire seulement si la descente par les points de vue principaux est bloqu e la plu
17. PAT90 PET amp 88 REC88 REI80 ROB amp 77 ROS78 ROS90 ROU88 SCH amp 83 SCH86 SMI amp 81 STE amp 85 SUS amp 80 WEG87 WIN amp 87 WOO75 MARTIN W A Descriptions and Specialization of Concepts in Artificial Intelligence An MIT Perspective vol 1 pp 377 419 P H Winston R H Brown d The MIT Press 1979 MARKOWITZ J A NUTTER J T EVENS M W Beyond IS A and Part Whole More Semantic Network Links Computers Math Applic vol 23 n 6 9 pp 377 390 1992 MASINI G NAPOLI A COLNET D LEONARD D TOMBRE K Les langages a objets Intereditions Paris 1989 MISSIKOFF M SCHOLL M An Algorithm for Insertion into a Lattice Application to Type Classification First Draft ao t 1988 MOON D Object Oriented Programming with Flavors in Proceedings of the Ist OOPSLA pp 1 8 Portland Oregon 1986 NAPOLI A Repr sentations a objets et raisonnement par classification en intelligence artificielle Th se d tat Universit de Nancy 1 Nancy FR 1992 NAPOLI A DUCOURNAU R Subsumption in Object Based Representations Proceedings ERCIM Workshop on theoretical and practical aspects of knowledge representation rapport ERCIM 92 W001 pp1 9 Pisa IT 1992 PATEL SCHNEIDER P F QWSNICKI KLEWE B KOBSA A GUARINO N MAC GREGOR R MARK W S MC GUINNESS D L NEBEL B SCHMIEDEL A YEN J Term Subsumption Languages in Knowledge Representation
18. Param tres de d part Information sur l instance et le I moule nn 195 Information sur chaque point de vue et sur les passerelles ie ais gsnsasisasasssesadvensenssesicds 195 6 3 2 Condition de terminaison de la boucle de classification semer 196 6 3 3 Obtention A imforwm ati om sss ssssissssssssccassscssvssssssssecssasdssssssovasSecbacscdsnssesedssonsuacdbsnsbodtsnsiisansueensSasacSbeannpsadatesbesteasheadsesbbncasand sats 196 6 3 4 Appartement ss uses annee le ladle nent tent nd a PEE A eat auc ne nf database 196 R duire le nombre de classes tester sense 197 Ordonner les questions 6 35 Propagation des MATQU S AN LEA ae ad a en den ee men E Rene i tre R gles de propagation de marques sense Mise jour des passerelles et points de vue actifs Algorithmes de propagation de marques sense 6 3 6 Mise jour de l information sn ns ne in nine nuits 6 3 1 Choix du prochain point de Vue assis gr Ets NA nent 6 Classification d objets COMPOS S RM An An SRG eae eae A elaine aA RE ws 64 1 Validation du descripteur de type 6 4 2 Validation de type pour l appariement sense 205 6 4 3 Les Cycles dans les obI tS COMPOS ire rials aren ea ida ens alana sata 207 Conclusion Bibhograpi s ss tn NS hl a Malan Radel oda tt aia trente tt AR ET 209 Correction et complexit essesseessesccsscescesccsscesceccoesocsseecoesocsseesoesocsseesoesocsse ess 213 Introduction sms nn nt la bn
19. aux liens d pend de l application et n est en g n ral pas reconnus par le syst me Ce probl me est trait par WOODS dans son article What s in a link WOO75 peu apr s Ronald Brachman pr sente son syst me KL ONE BRA amp 85 pr curseur des langages terminologiques 1 3 5 qui comporte une syntaxe pr cise et une s mantique formelle bas e sur la logique et la relation de subsomption entre concepts par ailleurs les graphes conceptuels de SOWA 1 3 6 proposent un isomorphisme entre la logique du premier ordre et une repr sentation par des graphes Inconv nients Un premier inconv nient des r seaux s mantiques est le probl me de granularit et du choix des n uds et des liens de base Bien que certaines relations sont trait es pour elles m mes comme la relation de sp cialisation sorte de la plupart sont trait es de fa on g n rale sans tenir compte de leur s mantique De plus le concepteur du r seau a d mal d terminer le niveau de d tail et les structures g n rales n cessaires la bonne expression d une proposition Par exemple combien de liens sont importants pour saisir le sens de la phrase Olivia donne une fleur Whitman Fig 1 5 Par ailleurs la seule information attach e un n ud est son nom donn par une tiquette Cette simplification pose plusieurs probl mes D une part il est difficile d exprimer des propositions ayant des quantificateurs universels ex
20. d terminer le point d quilibre entre un langage expressif et un algorithme de subsomption efficace la tendance tant vers les langages ouverts n offrant dans leurs noyaux que quelques descripteurs de base mais permettant l ajout d autres descripteurs et leur validation correcte par la m thode de subsomption BOR amp 92 4 4 2 Classification de classes par des types Dans le chapitre 2 nous avons d crit les systemes de repr sentation de connaissances par objets Ces syst mes issus des sch mas de Minsky et des langages orient s objets ne poss dent pas un formalisme permettant de garantir la correction de la base ni la correction et la compl tude des m canismes d inf rence La th orie des types avec sa relation bien d finie de sous typage et des algorithmes corrects de v rification de types offrent un cadre ad quat pour formaliser les l ments des repr sentations par objets CAR85 Dans cette partie nous allons pr senter l int gration du formalisme de types dans une repr sentation par objets propos e par Caponi et Chaillot ainsi que algorithme de classification de classes qui repose sur ce formalisme CAP amp 93 Repr sentation La repr sentation par objets comporte deux l ments de base les classes et les instances Les classes sont d crites de fagon intensionnelle par une liste d attributs et contraintes De m me que pour un concept dans les logiques terminologiques la description d une
21. inf rence sp cialis s pour la manipulation multi disciplinaire de la base tels que l interaction entre les agents pour r soudre un probl me la classification d instances dans les taxinomies multiples etc Les syst mes pr sent s auparavant montrent l volution de la repr sentation explicite des perspectives dans les RCO KRL 3 3 2 est le premier syst me faire la distinction entre les classes d instanciation et les classes de sp cialisation d une instance ces derni res correspondent aux perspectives Toute l information d une instance est stock e dans une m me structure mais elle commence tre organis e dans des groupes d attributs selon les diverses perspectives Dans LOOPS 3 2 3 la distinction entre les classes d instanciation et les classes de perspectives est prolong e des liens de l instance aux liens du graphe de classes Le syst me ROME 3 3 4 de m me que KRL a deux types de liens pour l instance le lien d instanciation fixe et unique et les liens de repr sentation qui peuvent voluer La notion de point de vue dans ROME sert a d limiter la partie active du graphe de classes lors des inf rences et des recherches d attributs h rit s par une instance Enfin VIEWS 3 3 5 propose la repr sentation de perspectives l aide de vues views unit s structur es de repr sentation de connaissances compos es de parties relations et contraintes ainsi l informat
22. la classe destination une instance doit appartenir toutes les classes sources La conjonction de l appartenance de l instance chaque classe source entra ne son appartenance la destination Le cas pr c dent est d crit en TROPES par le sch ma de passerelles suivant Fig 5 14 pass de Appartement plus_de_3p Taille Appartement centre_ville Localisation vers Appartement haut_prix Financier Fig 5 14 Description d une passerelle avec plusieurs sources Toute instance du concept Appartement appartenant aussi bien a la classe plus_de_3p du point de vue Taille qu a la classe centre_ville selon Localisation appartient la classe haut_prix du point de vue Financier 5 4 3 Passerelle bidirectionnelle Une passerelle bidirectionnelle entre deux classes C et D de deux points de vue diff rents PVI et PV2 d un m me concept repr sente l galit ensembliste une telle passerelle est quivalente deux passerelles unidirectionnelles l une ayant comme source la classe C et comme destination la classe D et l autre l inverse ayant comme source la classe D et comme destination la classe C La d finition d une passerelle 162 bidirectionnelle est donc quivalente la d finition des deux passerelles unidirectionnelles correspondantes Ainsi par exemple si l on veut indiquer que tous les HLM sont dans la banlieue et que tous les appartements de banlieue sont des HLM on peut d
23. trouver une nouvelle classe s re Une classe est possible lorsque l instance n a pas de valeur pour au moins un des attributs de la classe et que les attributs valu s de l instance satisfont bien les contraintes de la classe La proc dure remont e_possible cherche trouver la premi re classe pour laquelle l instance a tous les attributs valu s il est important de noter que cette proc dure ne fait aucune validation de type elle regarde seulement si pour une classe donn e l instance a tous les attributs valu s auquel cas elle devient la plus petite classe s re pour ce point de vue sinon elle continue avec la sur classe de cette classe Apr s avoir remont l instance jusqu sa nouvelle plus petite classe s re le syst me propage le changement de la marque s re la marque possible pour toutes les classes situ es entre l ancienne plus petite classe s re et la nouvelle plus petite classe s re sans inclure celle ci Cette propagation ressemble celle d crite pr c demment elle peut effacer une passerelle ou au contraire la rendre active rendre possible une classe 251 impossible ou bien rendre possible une classe s re Cette derni re action se fait en ajoutant la classe concern e la liste de s re possible Ainsi la proc dure de relocalisation_ possible continue tant qu il y a des classes dans la liste s re possible La terminaison de l algorithme est garantie par le fait que chaque r
24. un algorithme de classification H est le maximum des longueurs des traces qui appartiennent 4 H complexit H maximum t tq teH t est une trace Preuve C est une cons quence du Th or me 1 Cette complexit est la complexit minimale possible Dans la section suivante nous allons montrer que notre algorithme de classification a cette complexit Th or me 2 223 Preuve C est une cons quence du Th or me 1 Ce th or me garantit que le r sultat de la classification d une instance dans une base de connaissances TROPES est unique et ne d pend pas de l algorithme de classification utilis Th or me 3 Pour un SC consistant il existe un algorithme de classification qui a pour r sultat la S classification qui serait obtenue pour tout algorithme de classification appliqu sur le SC complet correspondant Preuve L algorithme cherch doit utiliser les passerelles d s qu il peut le faire Le choix d utiliser les passerelles avant les autres transformations quivaut simuler la compl tion Le r sultat le plus important de cette formalisation est la convergence c est dire la garantie que tout algorithme de classification d instances en TROPES donne un m me r sultat Ainsi le choix du point de vue derni re tape de la classification n a aucune in cidence sur le r sultat de la classification Cependant le choix correct d un point de vue peut modifi
25. un concept en trois cat gories selon la connaissance qu il a de chacun Cette organisation est prise en compte par l algorithme pour d terminer la navigation dans le concept et les attributs demander l utilisateur L algorithme de classification TROPES est d crit par un cycle qui comporte cinq tapes modules bien d finies obtention d information appariement propagation de marques mise jour de l information et choix du prochain point de vue Dans ce chapitre nous avons pr sent la fonctionnalit de chacune de ces tapes Dans le chapitre 4 nous avons montr que les tapes principales de la classification sont l appariement et le parcours du graphe de classes Dans TROPES chaque point de vue d un concept manipule un sous ensemble des attributs du concept et un arbre simplifi des classes du concept Donc l appariement dans un point de vue est en rapport avec un nombre plus r duit d attributs et de classes que si cette m me connaissance avait t repr sent e par une base mono point de vue De plus le programme ordonne les questions poser l utilisateur lors de l appariement de fa on tirer le maximum d informations de chacune de ses r ponses Enfin la limitation du langage d expression aux aspects statiques des classes de la version courante de TROPES r duit l appariement une v rification de type d attribut Dans le cas des objets compos s cette v rification de type peut
26. une classe possible est une classe pour laquelle le syst me ne peut ni affirmer ni nier l appartenance de l instance partir de l information dont il dispose 4 3 1 La classification d instances dans TROPES est une classification multi points de vue qui a comme espace de travail un concept de la base de connaissances Le but de la classification multi points de vue est de trouver pour une instance donn e ses classes d appartenance les plus sp cialis es dans les diff rents points de vue de son concept et de compl ter si possible l information de l instance la fin de la classification les classes des diff rents points de vue sont marqu es par une tiquette s re ou possible ou impossible MAR89 MAR amp 90 La classification multi points de vue de TROPES peut tre d crite comme le passage d un tat initial de l instance et du concept dans lequel on connait une partie de l information de l instance au moins le concept auquel elle appartient et sa cl et certaines de ses classes d appartenance dans le concept certaines classes peuvent tre d j marqu es comme tant des classes s res pour l instance dans le pire des cas seules les racines sont marqu es un tat final dans lequel on a r cup r le maximum d information de l instance et celle ci est class e le plus bas possible dans les diff rents points de vue toutes les classes du concept sont marqu es s re ou possible ou
27. une de ses sous classes alors elle satisfait bien le type de T1 Cx est marqu e comme s re pour Ic et elle devient la nouvelle plus petite classe s re de Jc dans ce point de vue Fig 6 18 C A Fig 6 18 L attribut composant a de Jc est valu par l instance Id Celle ci appartient la classe Tj sous classe de T7 alors Ic peut tre descendue Cx Id appartient a une classe 72 sous classe de T qui n est pas comparable par la relation de sp cialisation avec T Alors l instance Zd ne peut pas tre attach e T et donc l instance Jc ne peut pas tre attach e Cx Cette derni re est marqu e comme impossible pour Ic Fig 6 19 C Fig 6 19 L instance Jd appartient la classe T2 disjointes de T d L attribut a de Ic ne satisfait pas le type de Cx Cx devient une classe impossible pour Ic Id appartient une classe Tx sur classe de TZ Dans ce cas pour savoir si Jd peut appartenir 71 il faut valider le type de Id par rapport T1 Fig 6 20 206 PVy Fig 6 20 Id appartient T Pour savoir si Jc peut tre attach e Cx il faut v rifier si Id peut tre attach e T c est dire v rifier si Id satisfait le type de TZ Lorsqu un attribut d fini a d une instance compos e Ic est lui aussi une instance compos e Id la v rification des types est realis e de la m me fa on sur les attributs abstraits de Id Un processus r cursif de v rification est
28. voile Cette sp cialisation multiple signifie que l ensemble repr sent par la sous classe est un sous ensemble de toutes ses sur classes donc que les sur classes dans ce cas machine et moyen de locomotion repr sentent des ensembles non disjoints d instances Fig 2 8 Planche voile Delta _ plane Fig 2 8 La relation de sp cialisation repr sente l inclusion ensembliste Si une classe a plusieurs sur classes alors l intersection des ensembles d instances repr sent s par les sur classes est non vide elle a au moins toutes les instances de la sous classe La hi rarchie des classes d une base de connaissances peut avoir des structures diff rentes plus ou moins restrictives elle peut tre un ordre partiel quelconque un treillis un arbre etc 73 2 3 2 Treillis Un ensemble E partiellement ordonn par une relation d ordre lt est un treillis si et seulement si toute paire d l ments a b de E a un l ment union aub et un l ment intersection anb e L union de a et b avb est le plus petit l ment qui soit plus grand que a et b a lt avb et b lt avb et pour tout d dans E si a lt d et b lt d alors avb lt d e L intersection de a et b anb est le plus grand l ment qui soit plus petit que a et b anb lt a et anb lt b et pour tout d dans E si d lt a et d lt b alors d lt anb SCH86 Une hi rarchie de classes est un treillis si pour toute paire de
29. A part le lien existant entre une instance et ses perspectives chaque perspective en tant qu instance ind pendante appartient une classe laquelle elle est li e par le lien est un Paul est un Employ tandis que sa perspective Assistant de classe est un Assistant et sa perspective Peinture est une instance de la classe Art Pour traiter les perspectives LOOPS utilise deux classes abstraites appel es mixins Node et Perspective Une classe d crivant des objets qui sont des perspectives d autres objets doit tre d finie comme sous classe de la classe Perspective et une classe qui d crit des objets ayant des perspectives est sous classe du mixin Node Dans l exemple pr c dent les classes Assistant et Arts sont sous classes du mixin Perspective et la classe Employ est sous classe du mixin Node Fig 3 9 EMPLOYE Fig 3 9 Les perspectives d un objet dans LOOPS sont des objets ind pendants instances des sous classes du mixin Perspective L objet m me est membre d une sous classe du mixin Node La mod lisation des perspectives dans LOOPS apporte de nouvelles id es sur le sujet D une part le traitement ind pendant de perspectives permet de regarder un objet selon un point de vue sans tre satur par l information des autres points de vue fait qui refl te la fa on de travailler d un groupe interdisciplinaire il regarde le mod le d un point de vu
30. CARDOSO R MARINO O QUINTERO A Correcci n y completud de la classification multi puntos de vista de TROPES Rapport Interne D partement d Informatique Universit des Andes Bogota 1992 COM89 COMON H Notes du cours Syst mes de r criture ENSIMAG Grenoble 1985 MAR89 MARINO O Classification d objets dans un mod le multi points de vue Rapport de DEA d informatique INPG Grenoble 1989 MAR amp 90 MARINO O RECHENMANN F UVIETTA P Multiple perspectives and classification mechanism in object oriented representation 9th ECAI pp 425 430 Stockholm 1990 QUI93 QUINTERO A Parall lisation de la classification d objets dans un mod le de connaissances multi points de vue Th se d informatique Universit Joseph Fourier Grenoble juin 1993 242 Chapitre 8 Extensions de la classification Extensions de la classification ccccccssssssssssssssscssscssscscscscscscscscscscscssscscscscssscscssscssscssss LAS Introdiction ase ennir nt het nee er A tn nn nie agua RE ns tte AL 8 1 Relocalisation d une instance 8 1 1 Ajout ou modification de la valeur d un attribut eenenmennnnnnmennns 246 Relocalisation dans un point de vue sen 247 Propagation de la remont e par des passerelles 249 Relocalisation possible sienne inutiles 251 Descent de l instance ss in Te nn ne tn lan tt Se tte NT EEE 252 8 1 2 Suppression de la valeur d un attribut RE EE A EE TR 25
31. NOT fran aise alors la normalisation du concept Enfant_ tranger donne Enfant_ tranger Personne Pr nom un cha ne Nom un cha ne Age un entier dom 0 12 Nationalit un cha ne NOT fran aise La normalisation des descripteurs est faite par une alg bre d quivalence qui refl te la s mantique des descripteurs BOR amp 92 Cette normalisation enl ve les descripteurs redondants et g n re des versions quivalentes d une description donn e Ainsi par exemple le normaliseur de CLASP BOR92b a les r gles suivantes AND ATLEAST 3 p ATLEAST 4 p gt ATLEAST 4 p ATMOST 0 p gt AND ATMOST 0 p ALL p NOTHING La relation de subsomption sur les concepts normalis s correspond la relation d ordre structurelle pr sent e dans 4 3 1 En effet si le concept D est d crit par D D D2 D3 Dx r 1 vd r 7 vdz et le concept C est d crit par C C1 C2 C3 Ck 1 VC n Vcn alors D subsume C ssi kKkZ2x Vj 1 lt j lt x 111 lt 1 lt Kktel que Ci lt Dj tout concept primitif de D subsume un concept primitif de C n2z et Vj lSj lt z 4dilsi lt n tel que ri r J et vci lt vdj les contraintes dans C pour un r le sont plus fortes que celles de D pour le m me r le Il est int ressant de noter que la normalisation compl te des objets comparer avant la classification n est pas toujours la solution la plus efficace BAA amp 92 En e
32. OTHELO FOR amp 89 et SHOOD ESC amp 90 offrent des outils pour d finir diff rents types de relations entre les objets de la base il s agit en g n ral de relations binaires qui sont tablies au niveau des classes mais qui peuvent tre modifi es au niveau des instances pour traiter des cas d exception Dans OBJLOG un langage objets crit en Prolog une relation est d crite par un attribut dans lequel on sp cifie le domaine des valeurs de la relation ainsi que les propri t s partag es par les l ments participant a la relation Dans le cas de la relation de composition dans l attribut partie de du composant le concepteur indique la classe d appartenance de l objet composite et il tablit la liste des slots qui vont tre partag s entre ce composant et l objet composite h ritage s lectif d attributs Fig 2 19 SRL et SHOOD repr sentent les relations comme des objets part enti re groupant ainsi toute l information propre la relation dans un m me sch ma SRL attache aux relations des propri t s math matiques r flexivit sym trie etc SHOOD d finit de plus des op rations logiques telles que l union l intersection la composition et associe une d pendance exclusive partag e nulle existentielle ou sp cifique entre les objets intervenant dans la relation Dans OTHELO les relations sont d crites par une classe qui contient entre autres les m thodes pour mai
33. Rendez_vous d crit dans Fig 7 12a est normalis par une liste d intervalles ordonn s Fig 7 12b Cu gt dom 1 6 8 13 15 19 26 31 Rendez vous dom 1 31 dom i1 f1 i2 f2 in fn sauf 7 14 21 28 20 25 il lt fl lt i2 lt in lt fn ot a b Fig 7 12 Les descripteurs dom et sauf sont normalis es dans une liste d intervalles ordonn s correspondant au m me ensemble de valeurs V rifier qu une valeur v est dans le domaine d un attribut d un concept ordonn consiste a trouver un intervalle 1 f dans le domaine tel que i lt v lt f L algorithme doit trouver dans cet ordre l intervalle dont i lt v Comme les intervalles sont ordonn s cette recherche dans une liste ordonn e a un co t logarithmique en fonction du nombre d intervalles Dans ce cas la fonction valider a une complexit de l ordre O dom_mono_ordonne log in k k constante O dom_mono_ordonne O log2 in ou in nombre d intervalle composant le domaine normalis Attribut mono valu prenant ses valeurs dans un concept non ordonn Pour les concepts non_ordonn s le domaine est donn explicitement par l ensemble des valeurs permises et l ensemble des valeurs exclues De plus la valeur TOUT permet de ne pas avoir a donner explicitement toutes les valeurs du domaine La normalisation consiste enlever du domaine les l ments d crits par le descripteur sauf Fig 7 13 L
34. Workshop of TSL 89 AI Magazine vol 11 n 2 1990 PATEL SCHNEIDER P F Practical Object based Knowledge Representation for Knowledge based Systems Information Systems vol 15 n 1 pp 9 19 1990 PETERS S L SHAPIRO S C A Representation for Natural Category Systems Object Oriented Computing Systems B Randel Ed University of Newcastle Upon Tyne 1988 RECHENMANN F SHIRKA syst me de gestion de bases de connaissances centr es objet Manuel d utilisation 1988 REITER R A Logic of Default Reasoning Artificial Intelligence n 13 pp 81 131 1980 ROBERTS R B GOLDSTEIN I P The FRL Manual AI Memo 409 AI Lab MIT Cambridge MA 1977 ROSCH E Principles of Categorization In E Rosch amp B B Lloyd Eds Cognition and Categorization Hillsdale NJ Erlbaum pp 27 48 1978 ROSSAZZA J P Utilisation des hi rarchies de classes floues pour le repr sentation de connaissances impr cises et sujettes exceptions le syst me SORCIER Th se d Informatique Universit Paul Sabatier de Toulouse 1990 ROUSSEAU B Vers un environnement de r solution de probl mes en biom trie Apport des techniques de l intelligence artificielle et de l interaction graphique Th se de doctorat Universit Claude Bernard Lyon 1 Lyon 1988 SCHUBERT L PAPALASKARIS M A THAUGHER J Determining Type Part Color and Time Relationships IEEE Computer vol 16 n 10 pp 53 60 octobre 1983 SCHMIDT
35. a base de fruits sorte de boisson base Sliste de cha ne Sdomaine fraise ananas citron orange cocktail a base de fruits sort d avec alcool a base de fruits chaude Sun bool en Svaleur faux bi res sort d avec alcool nom S domaine Adelscott Heineken jus sorte de a base de fruits pourcalcool Sun entier Svaleur 0 138 Adelscott est un avec _alcool nom Adelscott pourcalcool 4 Boisson Adelscott Se Cp Avec alcodgl A base de fruy Naturel Fig 4 9 Une classe est li e sa sur classe par l attribut sorte de la classe cocktail base de fruits est li e deux sur classes avec alcool et base de fruits une instance est li e sa classe d appartenance par l attribut est un ex Adelscott est li e sa classe avec alcool Parcours du graphe L espace de recherche pour la classification d une instance est la famille laquelle appartient l instance La proc dure de classification commence avec l instance classer d j rattach e une ou plusieurs classes de cette famille dans le pire des cas l instance est rattach e la classe la plus g n rale de la famille le chef de la famille PIV amp 87 Dans l exemple pr c dent Fig 4 9 le chef de la famille pour la classification de I instance Adelscott est la classe Boisson mais l instance est d j rattach e la classe avec_ alcool L algorithme de
36. attribut pour les attributs non valu s de l instance La valeur d un attribut doit satisfaire le type de cet attribut dans la classe L algorithme d obtention d information est pour_tout ai de C actuelle tel que v ai L 5 demander aj tac actuelle valider vj aj tac actuelle Le nombre maximal d attributs demander est le nombre total d attributs de la classe ac Sia est le nombre total d attributs du concept alors ac lt a et la complexit de la proc dure d obtention d information est COMPLEXITE DE LA PROCEDURE D OBTENTION D INFORMATION O d obtention O a fa o a nombre d attributs du concept fa complexit de valider un type pour une valeur d attribut 7 2 3 Complexit de la proc dure d appariement La proc dure d appariement fait le choix d une classe s re parmi les sous classes S1 S2 Sn de la classe actuelle Pour faire ce choix la proc dure demande l utilisateur les valeurs inconnues des attributs de ces sous classes Lorsque l utilisateur donne une valeur pour un attribut le syst me le valide par rapport chacun des types de cet attribut dans les classes de l ensemble S1 S2 Sn o il appara t La fonction de validation est la m me fonction valider de la proc dure d obtention d information qui a un co t maximal fa Comme nous l avons montr dans 6 3 4 la proc dure d appariement d information cherche faire l
37. classification multi points de vue tire parti des passerelles liant des points de vue pour optimiser la descente de l instance De plus la structure multi points de vue des concepts permet de faire une classification partielle d une instance en ne consid rant qu un sous ensemble des points de vue et donc d attributs du concept Dans ce chapitre nous pr sentons la classification multi points de vue de TROPES Nous commen ons par d crire globalement la classification d instances dans TROPES et les diff rentes notions et l ments qui interviennent Le c ur de l algorithme de classification est une boucle qui fait descendrel l instance d un niveau dans un des points de vue du concept Cette boucle comporte cinq parties obtention de l information appariement propagation des marques mise jour de l information et choix du prochain point de vue L id e g n rale de l algorithme est donn e dans la premi re section La deuxi me section pr sente les l ments et param tres de la classification ainsi que les relations qui existent entre ces l ments et qui restent invariants tout au long de la classification Dans la troisi me section du chapitre nous d crivons chacune des parties de la boucle de classification ainsi que les instructions d initialisation et les conditions de terminaison de la classification 6 1 Description g n rale On peut comprendre la classification d un objet comme sa localisation
38. comme l a constat KAY88 Par opposition cette approche classique certains syst mes ont tabli des relations d appartenance moins rigides telles que la relation d appartenance 4 trois valeurs les 69 relations avec des poids d appartenance l tablissement d hypoth ses pour tablir la relation d appartenance et la repr sentation par prototypes discut e en 2 6 2 KAY88 Relation d appartenance trois valeurs Une premi re approche est d avoir outres les valeurs s re et impossible pour la relation d appartenance une valeur possible pour indiquer les cas dans lesquels on ne peut ni nier ni assurer l appartenance Cette approche toute en gardant l hypoth se que l on peut d finir un concept en terme de ses attributs et contraintes accepte que parfois on ne puisse pas d cider de l appartenance d une instance une classe notamment lorsqu on travaille avec des instances incompl tes monde ouvert REC88 Solutions multi valu es Des syst mes acceptant que des instances d une classe aient diff rents degr ou niveaux d appartenance la classe tablissent des relations d appartenance valu es soit par degr s qualitatifs ou quantitatifs d appartenance par probabilit GRA88 ou par la d finition de classes floues et le calcul d appartenance avec des logiques floues ROS90 Raisonnement non monotone Les syst mes utilisant cette approche partent du fait que l
39. doit donner les attributs essentiels Fig 2 23 ANIMAL sorte de AT U Aigle Fig 2 23 Dans l approche classe instance l instance aigle est rattach e sa classe appartenance oiseau sous classe de la classe racine animal Apr s en regardant le dinosaure il se rend compte des diff rences de base entre cet animal et les oiseaux par exemple la temp rature du sang et 1l construit une nouvelle sous classe d animal la classe reptile dans laquelle il peut classer le dinosaure Finalement il classe le canard comme tant un membre de la classe oiseau Le mod le produit Fig 2 24 ne d pend pas de l ordre d insertion des trois animaux En effet la place d une instance de la base d pend de ses propri t s et des descriptions des classes de la base et non pas des instances d j existantes dans la base ANIMAL est u EAU J est un est un Dinosaure Canard Aigle Fig 2 24 Dans l approche classe instance toute instance est rattach e une classe La structure de la base de connaissances ne d pend pas de l ordre d insertion de ses instances D autre part l interdiction de masquer les attributs d une classe par une sous classe garantit l interpr tation ensembliste des liens des classes et la coh rence de l information de la base et permet de raisonner partir de l information stock e notamment a permet de faire une classification correcte des
40. et les instances qui sont des membres des classes d crites par des couples attribut valeur Apr s une br ve discussion sur l int gration des objets dans diff rents domaines de l informatique nous pr sentons dans les deuxi me et troisi me parties du chapitre les l ments et relations des syst mes de RCO ayant l approche classe instance Dans la section quatre nous discutons le m canisme d h ritage et les probl mes qu il pose La cinqui me section est d di e aux objets composites leurs diff rentes interpr tations et repr sentations existantes dans les repr sentations objet Enfin dans la section six nous montrons les diff rences entre une repr sentation objets et un langage objets puis nous pla ons les repr sentations ayant l approche classe instance par rapport aux logiques terminologiques et aux repr sentations par prototypes 2 1 La notion d objet en informatique On trouve la notion d objet en informatique dans des domaines qui construisent des mod les conceptuels du monde r el tels que les bases de donn es le g mie logiciel et l intelligence artificielle Cette notion est n e d une volont d avoir dans des mod les Cette pr sentation ne pr tend pas donner la structure unique d un syst me de RCO cela est impossible dans la mesure o il n y a pas de consensus sur les l ments et relations qui interviennent dans un syst me de RCO 59 informatique
41. etc Fig 5 25 Appartement F2 Taille Chez _Dugand adresse 6 rue Monge 75005 tage 2 num ro 4 surface 76 nb_pi ces 2 Appartement centre_vill Financier Chez_Dugand adresse 6 rue Monge 75005 R tage 2 num ro 4 loyer 4500 Fig 5 25 Instance Chez_Dugand du concept Appartement vue des points de vue Taille et Financier Les attributs cl s sont visibles des deux points de vue Il est important de noter que dans chaque point de vue une instance appartient sa classe de rattachement et toutes les sur classes de celle ci Une instance incompl te pour laquelle on n a aucune information autre que la cl appartient dans chaque point de vue la classe racine qui d crit toutes les instances du concept Lorsque l on obtient plus d information sur l instance celle ci peut descendre dans les diff rents points de vue pour tre rattach e aux classes plus sp cialis es 5 8 Les objets composites Par la suite nous allons pr senter la repr sentation d objets composites dans TROPES Un objet composite est un objet qui a parmi ses attributs des attributs de type composant Un composant est une partie constitutive de l objet un objet part enti re Pour l explication des diff rentes notions qui interviennent dans la repr sentation des objets composites et de ses composants nous utilisons un exemple d une base de connaissances sur les automobiles Fig 5 26
42. ici sch ma attribut valeur Le premier niveau le sch ma dispose de l information globale de l instance comme un identificateur et sa classe d appartenance le deuxi me niveau tablit la structure de l instance ses propri t s relations et composants enfin le dernier niveau indique la valeur pour chaque attribut de l instance Les mod les classe instance classiques tablissent qu aucune instance ne peut exister sans sa classe d appartenance car c est par cette classe qu elle se met en rapport avec d autres objets de la base et qu elle acquiert les attributs communs aux individus de la m me cat gorie Une instance est li e sa classe d appartenance par le lien est un is a Ce lien peut avoir des interpr tations diff rentes selon la signification donn e aux concepts de classe et d instance BRA83 WOO75 Dans l interpr tation ensembliste une classe repr sente un ensemble une instance repr sente un individu et le lien est un la relation membre de d appartenance ensembliste Le lien d appartenance indique que instance Toute instance est identifi e par une cl unique 66 a les attributs d crits par le sch ma de la classe et que la valeur que l instance a pour chacun de ces attributs satisfait les contraintes impos es par les facettes de l attribut dans la classe Par exemple l assertion Pluton est un plan te indique que Pluton fait partie de l ensembl
43. il n y a pas de changement dans le composant k la justification est la fonction identit i ax a est chang en fx a Un S1 Sin b c i Ym Vie Vm Fig 7 9 Convergence des paires critiques b et c b est gal lt x 1 xm gt et c est gal a LY1r r Ym Ainsi b est gal lt xj xm gt et c est gal lt y1 Ym gt Les tiquettes lt rj rm gt qui nomment les arcs reliant a et b sont les justifications des changements dans les composants Elles sont d finies comme Tk idx Si Xk Ok fk P si Xk Bk Pjk S Xk Yk Dans ce dernier cas la passerelle Pjk doit exister De la m me fa on sont d finies les tiquettes lt s4 Sm gt qui justifient le passage de a c Maintenant il faut trouver un m tuple d lt zj z gt pour lequel b et c convergent Pour cela nous allons expliquer comment doivent se transformer les composants des deux m tuples l aide des transformations disponibles Les tiquettes lt uj um gt et lt v1 r Vm gt seront utilis es pour indiquer les transformations correspondantes Fig 7 10 222 Xk Yk Uk Vk Ok Ok id id Ok Bx fk idk Ok Yk Pjk idk Bk Ok idk fk Bk Bk idk idk Bx Yk Pjk idk Yk Ok idk Pjk Yk Bx idk Pjk Yk Yk idk idk Fig 7 10 D finition des ux et vx pour k 1 m en fonction des valeurs possibles de xx et yx Il faut noter l utilisation de passerelles qui n apparaissent pas dans le graphe Fi
44. observateur regarde un objet Ainsi la notion de perspective met en correspondance un agent et un monde Comme nous l avons pr sent dans la section 1 2 3 il existe quatre types de relations possibles entre un groupe d agents et un monde observ 1 Le monde est unique et les agents le per oivent tous de la m me fa on ce cas correspond la repr sentation mono disciplinaire On a une seule perspective une seule fa on de voir le monde Ce cas est le cas simple o le syst me ne manipule pas la notion de perspective 2 Le monde est unique et les agents le per oivent de fa ons compl mentaires dans ce cas il y a plusieurs agents qui observent le m me monde chaque agent en voit une partie Une perspective est ici une repr sentation partielle mais correcte du monde l union des diff rentes perspectives repr sent es est une repr sentation coh rente ZEI84 DAV87 FER88 SHA91 Nous allons centrer notre discussion sur ce cas car il concerne la plupart des repr sentations par objets qui manipulent les perspectives Par ailleurs la notion de vue dans les syst mes de gestion de bases de donn es corresponde aussi cette approche car les vue sont des visions partielles d une base unique ULL88 3 Le monde est unique et les agents en ont une perception incompl te et collectivement inconsistante ce cas se base sur l id e que le monde est trop complexe pour tre connu compl tement Pour raison
45. par exemple dans tous les points de vue la classe racine repr sente le m me ensemble potentiel d individus l ensemble de tous les individus du concept Dans chaque point de vue cet ensemble est d crit en terme des attributs propres au point de vue les intensions des racines peuvent tre diff rentes mais toute instance de la racine dans un des points de vue est instance de la racine dans tous les autres points de vue toutes les racines d crivent la m me extension Ainsi par exemple les classes racines des points de vue Personnel et Financier du concept Locataire de l exemple pr c dent poss dent la m me extension tous les locataires potentiels de la base mais elles ont des intensions diff rentes Fig 5 11 classe Locataire Personnel age un entier situation de famille un cha ne domaine c libataire marie veuf x classe Locataire Financier profession un cha ne activit un chaine domaine tudiant salarier ch meur retrait F lib ral A revenus_annuels un rel Fig 5 11 La classe racine du point de vue Personnel du concept Locataire d crit tous les locataires potentiels de la base ils ont tous un age et une des trois situations de famille d crites la classe Locataire du point de vue Financier repr sente aussi tous les locataires Cette galit ensembliste entre deux classes de deux points de vue diff rents d un m me concept s appelle en TROPES une passerelle bidirectionnelle E
46. rentes s mantiques par exemple PartOf Subclass Subtask etc Enfin les contraintes limitent la port e de la structure d une vue les valeurs possibles d une partie et des relations et m me d autres contraintes Dans Views une perspective est repr sent e par une vue c est dire un ensemble d l ments li s entre eux Cette interpr tation structurelle des perspectives rejoint la vision spatiale de Minsky deux observateurs qui regardent une chambre de deux points de vue diff rents voient ses meubles l ments avec des relations spatiales structures diff rentes Les perspectives dans le sens multi disciplinaire qui permettent plusieurs organisations des classes des objets du monde et diff rents groupements de ses attributs peuvent tre d crites dans Views par des vues ayant des graphes de classes et d instances L exemple de l universit peut tre d crit pas trois vues une vue pour chacune des perspectives emploi et domaine et une vue globale qui groupe ces perspectives Fig 3 12 SCIENCES SOCIALE VUE DOMAINE PROFESSEUR sousclassedempilfs MAITRE CONF VUE EMPLOI E DOMAINE EMP LOYEUR_VUES sousclas URE VUE EMPLOYEURS Fig 3 12 Dans Views chaque perspective est d crite par une vue Les perspectives sont li es dans une troisi me vue globale Les relations de sp cialisation des diff rentes vues doivent tre li
47. s de travail 4 Grenoble Danielle Ziebelin avec son sourire franc Nathalie Beauboucher sa parole directe m a toujours charm e C cile Capponi et Nina Tayar pour leur soutien et amiti et toutes les autres personnes qui ont fait r gner une tr s bonne ambiance dans l quipe Volker Johannes Jutta Olivier S Pierre F Florence Sophie Christian Olivier H Sylvain Thierry Francois Je voudrais aussi dire un norme merci tous mes amis Pierre bien s r Pepe Arnie Pascal Carlos Denis et Pierre qui m ont appris le sens du mot amiti Rubby ma conseill re et ma conscience A toute la colonie colombo latino qui a t ma famille ici Alejandro Harold Coquita Bruno Rodrigo Fernando Claudia Mary Mario Xica Esperanza Pepe2 Vicente German Ricardo Pollo Mabel Yolanda Arturo Carmen A eux et a tous ceux qui m ont accompagn s pendant cette tr s belle p riode de ma vie je les remercie pour toute l amiti et le bonheur qu ils m ont offerts A todos mil gracias Enfin je remercie mes amis de l Universit des Andes et ma famille pour leur soutien et leur confiance R sum Une taxinomie est une organisation de la connaissance en diff rentes cat gories d objets semblables Ces cat gories sont organis es dans une structure allant des cat gories g n rales aux cat gories sp cifiques Cette organisation permet de suivre un raisonnement classificatoi
48. sentation cat gories et individus et aux relations qui les lient partir de quatre param tres la repr sentation la taxinomie ou graphe des classes l appariement et le parcours du graphe nous faisons dans ce chapitre une description des diff rents algorithmes de classification Dans le chapitre cinq nous pr sentons le mod le de repr sentation de connaissances objets multi points de vue TROPES Les diff rents l ments d une base de connaissances TROPES sont d crits par leur s mantique leur syntaxe et leurs relations avec les autres l ments de la base Nous d crivons l algorithme de classification de TROPES dans le chapitre six Le c ur de cet algorithme multi points de vue est une boucle compos e de cinq tapes Nous donnons un aper u g n ral de l algorithme et des structures d information utilis es avant de d tailler chaque tape de la boucle La preuve de la correction de l algorithme et l analyse de sa complexit sont le sujet du chapitre sept Enfin dans le chapitre huit nous pr sentons trois extensions de la classification qui permettent de prendre en compte le caract re volutif incomplet et complexe d une base de connaissances Ces extensions sont la relocalisation d une instance la classification hypoth tique et la classification d objets composites 20 Chapitre 1 Syst mes base de connaissances Syst mes base de CONMAISSANCES sccsccesscssscsssscssccses
49. t s que doivent avoir les objets de la cat gorie et les contraintes qu ils doivent satisfaire 123 D finition fonctionnelle Une cat gorie peut tre d finie par un pr dicat d appartenance sous la forme d une fonction qui s applique aux l ments de l univers du discours les instances potentielles de la base de connaissances et qui rend une valeur permettant de savoir la relation existante entre l objet et la cat gorie Fonction bool enne d appartenance Dans la logique classique cette fonction d appartenance correspond un pr dicat qui rend la valeur vrai pour les l ments de la cat gorie et la valeur faux pour les autres Ainsi soit U lunivers ddu discours et une cat gorie C d objets de cet univers la fonction d appartenance fc est d finie par fe U gt vrai faux fc x vrai ssi x rel ve de la cat gorie C L extension de Cest xe U fe x vrai Par exemple la cat gorie des nombres multiples de dix peut tre d crite dans l univers des entiers par le pr dicat multiple_dix x si x mod 10 0 alors VRAI sinon FAUX Fonction trois valeurs pour la relation d appartenance La logique classique et ses pr dicats deux valeurs est bien adapt e pour la prise en compte d un monde complet et ferm dans lequel on peut d terminer pour tout objet du monde s il appartient une cat gorie donn e ou pas Or la plupart des syst mes base de connaissances travaille
50. A E N E EE A EE BDO rato sn aan i aa RE UE E E ee E beans E aN E E EAN Repr sentation de connaissances objets essesseessesocsseesoesocsscesoeccoescesseccoesocsseesoesoessees DO Tri GO CULO een a a ei a es a e aeta eee nl Or E o ei n i 2 1 La notion objet en informatique 2 2 El ments du mod le classe instance 2 21 2 2 2 Propri t relation composant Attribut propri t eas Re Attrib t TE TALL O sens en tn ria a ne LR AtIriOUt COMPOSANE ayo esse TM RE RE nf ren LUE LES 2 2 3 Facett nee Re Re a thes abe Rd LT Riel a aia Facette de contrainte F cettE Qu ty Pe sn nent nr ten s Facette du domaine Facette contrainte D Facette d inf rence de valeurs 65 Valeur FIRE ne 65 Attachement proc dural pour un calcul 65 Val ur par d faut ss Ann Le te te te Een A nn since 65 Fac tie Tetlexe RSS RNA E de SU A A An 65 2 24 Instance et relation d appartenance 66 Lien d appartenance et lien d instanciation seecsseccseecceeecnseeeneeeseeeeseees 67 Conditions n cessaires et suffisantes d appartenance une classe uu eeseccsssesseessseeeecessseeceesnseseeccenseseeeessees 68 Conditions n cessaires sn nn dress EE AE E ne 68 Conditions suffisantes j Conditions n cessaires et SUFISANTES esse 69 D autres interpr tations de la relation A appartenance nm 69 Relati
51. C_min0 et en remontant le long des liens de sur types jusqu trouver un type pour lequel v soit une valeur valide A ce type est associ la classe la plus sp cialis e D qui a ce type pour l attribut a Comme D est la classe la plus sp cialis e ayant ce type pour a alors ses sous classes ne l ont pas En effet D est la sur classe directe de la classe la moins sp cialis e du dernier type r vis Supposons par exemple Fig 8 2 que la valeur de l attribut entier a pour l instance 7 change de 7 43 cette nouvelle valeur ne satisfait plus le type Tg 5 10 de a dans C_min0 C14213 L algorithme commence par examiner le sur type T7 0 30 de T Si pour T7 v1 n est pas valide non plus l algorithme poursuit la remont e par le graphe de 247 types jusqu obtenir un type compatible avec v dans l exemple le type des entiers positifs T2 0 INF Une fois le type trouv l algorithme obtient la classe la plus g n rale sur le chemin de la remont e de la hi rarchie dont l attribut a n a pas ce type c est la premi re classe affiner le type T2 et donc avoir le type T7 Dans l exemple cette classe est C74 sa sur classe C7 est alors la plus petite classe s re ayant un type valide pour v C1 est donc la nouvelle plus petite classe s re de J C_min Les classes C14 C1421 et C14213 sont marqu es comme tant des classes impossibles pour J Fig 8 1 a le type est instanc
52. EEE Inconv nients ae 1 3 5 LO BIQUES terminolo sigues eean ae en ns ES EEEE nn en A pet nent UE LL Repr sentation de la connaissance M canismes de raisonnement Avantages nn Inconv nients 1 3 6 Graphes conceptuels Repr sentation de la connaissance M canismes de raisonnement Avantages ne Inconv nients GOT CLUST OR TO E RO SO OI NN ON E IN SU Bibliographie nine E EEEREN E ENEA ERE RNE EEEE NETE ENNEN NUS 22 Chapitre 1 Syst mes base de connaissances La grande diff rence entre l homme et la b te est l intelligence Comme le rire l intelligence est le propre de l homme Introduction Le terme intelligence artificielle couvre actuellement des sujets de recherche aussi vari s que la robotique le traitement de langage naturel les r seaux neuronaux les syst mes experts etc Parmi les aspects fondamentaux d un syst me intelligent se trouvent la repr sentation de la connaissance du domaine de l application les techniques de raisonnement que le syst me utilise pour inf rer des nouvelles connaissances et la communication homme machine en particulier pour que le raisonnement suivi soit compris par l utilisateur Depuis la naissance de l intelligence artificielle plusieurs techniques de repr sentation de connaissances ainsi que des m canismes de raisonnement associ s ont t d velopp s Ainsi on voit appara tre les syst mes de logique classique qui raisonnent par
53. L tat initial les racines est un tat accessible toute instance appartient aux racines de son concept lt X X gt e ECA 1 m 1 m A Soite lt x_ X gt e ECA alors e lt X X gt ECA Sie a les m mes Oty a By Br m composants que e except un ensemble de composants Il existe au moins un composant different Soit i un de ces composants diff rents alors ou bien e Bi Qifa x ou bien ae ee e il existe une passerelle exe gt Xe gt E P pour un j 1 lt j lt m J i x e Zz Dans ce cas on dit que e est accessible partir de e not e gt e e Une s classification pour x est un tat accessible partir duquel il n existe aucun autre tat accessible c est dire un tat terminal Structure Forme Contenu Remplissage ypr a Passerelle de A B lt A B gt A B Soit e lt x x2 x3 x4 gt Les tats e lt x x2 x3 x4 gt e lt x x2 x3 xf gt e lt xl X72 x3 x4 gt e lt x x32 x3 x gt sont des tats successivement 11 gt 212 22 17 gt Tas 1294223 1 atteignables pour une instance x partir de e Fig 7 4 Le concept matrice a 4 points de vue Formellement le syst me de classification de matrice a 4 arbres de classification et 8 passerelles dont 6 triviales La descente d une instance lors de la classification est d crite en terme des tats tuples de classe par lesque
54. La relocalisation est n cessaire lorsque la connaissance de l instance volue Cette volution peut tre le fruit d un enrichissement on ajoute des connaissances l instance d un appauvrissement on enl ve des connaissances et ou d une modification on change des connaissances Ce genre de technique est utilis aussi par certaines logiques terminologiques pour mettre jour la position d un individu NEB90 8 1 1 Ajout ou modification de la valeur d un attribut Une instance d j class e de la base comporte deux types de connaissances d une part la liste de ses plus petites classes s res une dans chaque point de vue et d autre part la liste des couples attribut valeur La liste des plus petites classes s res de l instance tablit des contraintes de type pour les valeurs des attributs de l instance Lorsque l on modifie la valeur d un attribut ou lorsque l on ajoute la valeur d un attribut qui tait inconnu deux cas sont possibles e soit la nouvelle valeur pour l attribut satisfait toutes les contraintes pour cet attribut d crites dans les classes courantes d appartenance de l instance elle satisfait chacun des types de cet attribut pour chacune de ces classes en d autres termes la valeur appartient l intersection des domaines d crits pas ces types e soit elle ne satisfait pas le type de l attribut dans au moins une des classes courantes de l instance Supposons par e
55. RE ER ER NO BIDNOSTAPE RE AE AIA E en een aan nn eee den een BUS DS AEE E R DEN S Extensions de la classification ccccccccssssssssssssssssssssscscscscscscscscscscscscscscscscssscssscssssscssss 2 AS Introduction et nain ee Re N LT E LA AA A tS En di AA Ce LT 245 8 1 Relocalisation d une instance w ccccccccsccsesessssessesssscsscssssesscssssessssssscsessesecsessesssscsessessesscsesssscsecsessesssssssesssscescsessessnessesessssssseess 246 8 1 1 Ajout ou modification de la valeur d un attribut sense 246 Relocalisation dans un point de vue 247 Propagation de la remont e par des passerelles 249 Relocalisation possible rss rte nee nn nn tan mener Ten Descente de l instance 8 1 2 Suppression de la valeur d un attribut een cnrs 253 8 2 Classification hypoth tique sn RER tn rt E tt AE tn R En 253 8 2 1 Hypoth ses sur les valeurs d attributs Hypoth ses ind pendantes sosssnschavaosisaconscassasecnsusnnednsandasansosasstensnspbasscadessonseoasisbeve 254 Hypoth ses d pendantes unten nent aoii nt ecsesseapnancersbebphatechtsetsesteusemesendshsoats 254 8 2 2 Hypoth ses sur les classes d appartenance se enensn useussueeasensssseaneseeeseenes 257 8 3 Classification d objets COMPOSITES ose sssssessssssccsssessssssssssesssseessssesssnsecsssseccsssecssssesssssesssusessuesessuscessuesessnesesseesssuneasees 257 8 3 1 Obtention d imforimaty Once ssscc
56. ROME 2 she a a nn M A ERa e ES 106 3 2 3 VIEWS e sn a Sic ARER RA dt RA NA S EE I A tna nba 108 3 3 Les perspectives et les objets composites inner 110 CONCLUSION EEE RE AR RS ER ren 113 Bibi arene ss EN RS AE ARATE EEEE CO EE RE tenses 114 98 Chapitre 3 Perspectives When there are many meanings in a network you can turn things around in your mind and look at them from different perspectives when you get stuck you can try another view That s what we mean by thinking MIN83 Fig 3 1 L abstraction se concentre sur les caract ristiques essentielles d un objet selon le point de vue de l observateur BOO90 Introduction Repr senter consiste a faire une abstraction d une r alit riche en information Cette abstraction d pend de l agent qui la r alise de son domaine d int r t et de ses connaissances pr alables Ainsi lorsque plusieurs observateurs agents travaillent sur un m me univers de connaissance ils observent des l ments et relations diff rents La plupart de systemes de repr sentation de connaissances n gligent cette vari t de perceptions et ils offrent des outils pour cr er un mod le unique du monde une repr sentation troite o chaque utilisateur doit filtrer ce qui l int resse un mod le mono utilisateur con u pour un seul utilisateur du syst me une seule vision du monde Par opposition cette approche mono point de vue mono utilisateur mono dis
57. Valeur FIXE rne e ee a a a a a ne te Attachement proc dural pour un calcul Valeur par d faut Facette r flexe csctind inventory ne e a 2 24 Instance et relation d appartenance Lien d appartenance et lien d instanciation eeesseeccssccceeecnscecneeesseeessees a Conditions n cessaires et suffisantes d appartenance une Classe 68 Conditions NECES SAITES sioka intense AN na TN N ARS 68 Conditions suffisantes 35 Conditions n cessaires et suffisantes sn 69 D autres interpr tations de la relation d appartenance nm 69 Relation d appartenance trois valeurs Solutions Miult Valeess oor E nn EAE E a EE KET E REEN Raisonnement NON MONOTONE meme 2 2 5 Relation de sp cialisation Affinement des attributs 2 3 Taxinomie de classes 2 3 1 Hi rarchies de classes 2 3 2 Tres 2 3 3 Arbre 2 34 Taxinomie 24 H ritage sis 24 1 H ritage Simple tint e a an inner in 24 2 H ritage multiple nn MR Et ee RE Alan ne ere Rares L approche lin aire L approche 2rapiqu rs ane tt nn ein tn rh inner ee L approche circonstancielle ss is nr nn nn en tresse 24 3 Multi instanciation s s 2 5 Objets composites rem 2 5 1 Relation de composition fixe et pr d finie 252 Syst mes avec une relation g n rique 2 5 3 Approche parties contraintes relations 2 54 La co subsomption subsomption composition ea
58. avec une valeur entre 0 et 12 Mais cela n est pas suffisante un effet l objet pourrait tre un vin de 5 ans Par contre si de plus on sp cifie que l objet est dans le concept Personne alors toute personne avec un nom et ayant un age entre 0 et 12 est un enfant Sachant que l objet est une personne les conditions de la classe Enfant sont n cessaires et suffisantes pour l appartenance 5 7 5 L instance vue d un point de vue du concept Une instance d un concept repr sente un objet de l ensemble du monde d crit par le concept Une instance compl te du concept c est dire une repr sentation compl te de l individu du monde a tous les attributs repr sent s dans le concept Si l on regarde une instance d un concept de fa on globale on peut voir toute son information les valeurs qu elle a pour tous les attributs du concept Par contre lorsque l on regarde une instance d un point de vue particulier on ne voit que les attributs de l instance qui sont pertinents 174 pour connus par ce point de vue on a une vision partielle de l instance le point de vue tablit une sorte de masque sur l instance Par exemple l instance chez Dugand d crite pr c demment Fig 5 24 est trait e du point de vue Taille comme ne poss dant que les attributs qui sont pertinents pour ce point de vue surface nb_pi ces etc tandis que le point de vue Financier contient les attributs loyer charges
59. base r sultante se trouve sous forme de structures de donn es du langage CAML La grammaire directement extraite des fichiers YACC est donn e sous forme BNF Grammaire g n rale Cette grammaire donne la structure g n rale d une base de connaissances C est un ensemble de bases qui se d composent elles m mes en un ensemble de concepts Il y a deux types de concepts ordonn s ou non ordonn s grammar for values gramtops Top Base b Concepts lco Attributs la Base base IDENT n concepts Listv co points_de_vue Listv pvl Concepts i Unconcept c l Concepts fsts Unconcept c Unconcept concept Sconc c l concept_ordonne Sconord c Sconce Infc c clef pvl Sconord x Infe c clef pvl fct_ordre IDENT f hfe IDENT c clef Listv clef points_de_vue Listv pvl Attributs 3 attribut Sattr a Attributs fsts attribut Sattr a Sattr IDENT n Infa lat Inf z UnatAtt att Infa fsts UnatAtt att 271 UnatAtt x concept Clenom s valeur_dans Clenom s tache Clenom f table_tache Clenom t commentaire STRING c nature STRING s fichier_image STRING s multivaleur STRING b Clenom i STRING cle J IDENT cle Listv Listvirg 1 J Listvirg IDENT a Listvirg fsts IDENT a Grammaire pour les instances Grammaire donnant la syntaxe pour exprimer un ensemble d in
60. bien Vx C x satisfait les contraintes de E PV x satisfait les contraintes de D PV2 Par exemple si l on sait que les jeunes locataires ne sont pas imposables on peut exprimer cette connaissance pour le concept Locataire de la base immobili re comme une passerelle allant de la classe Jeune_ Locataire du point de vue Personnel vers la classe Non_Imposable du point de vue Financier de fa on indiquer que toute instance du concept Locataire qui appartient la classe Jeune_Locataire appartient aussi la classe Non_Imposable Fig 5 12 pass de Locataire Jeune _ Locataire Personnel vers Locataire Non_Imposable Financier Fig 5 12 Passerelle unidirectionnelle entre la classe jeune Locataire du point de vue Personnel et la classe Non_Imposable du point de vue Financier Tout jeune locataire est non imposable Il est important de voir que l implication inverse n est pas garantie Ainsi par exemple il peut y avoir des locataires non imposables qui ne soient pas des jeunes des salari s ayant un tr s bas salaire ou les ch meurs 5 4 2 Passerelle avec plusieurs sources Une passerelle unidirectionnelle tablit une implication entre une classe source et une classe destination toute instance de la classe source est instance de la classe destination Dans certains domaines d application l instance doit appartenir plusieurs classes de diff rents points de vue pour que l on puisse d du
61. c dent 6 4 1 nous avons d crit la proc dure de v rification de l appartenance d une instance une classe La premi re tape dans cette validation est l obtention de la marque de la classe Cette proc dure a un co t de O h o h est la hauteur du point de vue 7 2 4 Si la classe a une marque impossible ou s re la valida tion termine Si la classe a une marque possible alors le syst me doit valider la valeur de v par rapport au type de la classe C c est a dire valider la valeur de chaque attribut de v par rapport au type de cet attribut dans C La complexit pour v rifier si une instance satisfait un type peut tre obtenue a partir de l quation suivante descr_1_type v h a valider_type va 1La complexit e pr sent e dans 7 2 4 inclut un facteur z correspondant au nombre de sous arbres impossibles l int rieur de l arbre actif Cette information est conserv e seulement pour le concept de l instance classer 225 o v est la valeur de l attribut d fini de l instance classer a est le nombre maximal d attributs d un concept et h est la hauteur d un point de vue et va est la valeur d un attribut de v La validation de type de va peut se limiter la validation de domaine et de cardina lit si l attribut est primitif ou bien elle peut faire appele une nouvelle proc dure de va lidation des attributs de va si l attribut est d fini puis des attributs d
62. c dent nous avons pr sent l algorithme de classification multi points de vue de TROPES MAR89 MAR amp 90 Dans ce chapitre nous pr sentons une preuve de la correction de l algorithme et le calcul de sa complexit La premi re partie du chapitre pr sente la preuve de la correction nous prouvons en particulier la terminaison et la convergence de l algorithme Le formalisme utilis pour d crire l algorithme dans cette partie ainsi que les diff rents th or mes d montr s sont le r sultat d un travail d quipe d velopp avec Rodrigo Cardoso et Alejandro Quintero QUI93 CAR amp 921 La deuxi me partie du chapitre concerne le calcul de la complexit de l algorithme Ce calcul est fait avec le mod le RAM random acces machine propos par AHO amp 74 pour calculer la complexit maximale de l algorithme Les proc dures d optimisation comme par exemple le tri des attributs demander l utilisateur dans l tape d appariement devraient r duire cette complexit dans le cas moyen 7 1 Correction de l algorithme Dans le chapitre pr c dent nous avons pr sent l algorithme de classification multi points de vue de TROPES Dans cette partie nous allons montrer la correction de cet algorithme En particulier nous allons prouver sa convergence le r sultat de la classification d une instance est unique ind pendamment de l ordre dans lequel sont visit s les points de vue du concept Cett
63. c 2 x puis r duire l ensemble pour ne garder que les concepts dont les pr d cesseurs directs ne sont pas subsum s par c Cette m thode fait O n comparaisons n tant le nombre de concepts de la base e la m thode de parcours simple le calcul des SPS se fait en parcourant le graphe en largeur partir de la racine THING Pour tout concept x examin l algorithme valide s il a un successeur direct y subsumant c c lt y Si c est le cas il garde ce concept y dans la liste des possibles SPS pour l examiner apr s si x n a pas de successeurs di rects subsumant c il est ajout la liste de SPS Les n uds examin s sont marqu s pour viter de refaire des v rifications Cet algorithme est celui utilis par le classifieur de KL ONE 1 3 5 Le calcul des SPG est le dual fait a partir du concept contradictoire e le parcours simple am lior l algorithme pr c dent peut tre am lior pour tirer parti d une part pendant le calcul des SPS des comparaisons interm diaires et d autre part pendant le calcul des SPG du r sultat obtenu dans la premi re partie L algorithme propos par BAA amp 92 inclut dans le calcul des SPS une v rification avant de consi d rer la relation de subsomption entre un n ud x et le concept c l algorithme consid re la relation existante entre les pr d cesseurs directs de x qui n ont pas t examin s et le concept c ainsi si un pr d cesseur direct de x ne
64. classe Le domaine d un attribut peut tre concret ou abstrait Un Les facettes dynamiques d mons attachements proc duraux etc ne sont pas prises en compte ici 134 domaine concret est un ensemble de valeurs de types primitifs entier r el etc ou un ensemble de valeurs obtenues par l application des constructeurs de types intersection union liste sur les types primitifs Un domaine abstrait correspond un sous ensemble des instances d une classe La relation entre classes est la sp cialisation stricte 2 2 6 qui repr sente l inclusion ensembliste stricte pour les descriptions compl tes de classes cette relation correspond la relation d ordre strict correspondant la relation d ordre entre descriptions intensionnelles pr sent e pr c demment 4 3 1 Si D est une description compl te de classe d finie par p1 Td1 p2 Td2 pn Tdn et C une description compl te de classe d finie par p1 Tc p2 Tc2 pm Tem o Txi est le type de l attribut pj pour la classe X alors C lt D ssi m n et Vi l lt i lt n Tcj lt Tdi et si m n alors di 1 lt i lt n tel que Tcj Tdj La relation de sous typage lt t est d finie comme la relation d inclusion portant sur les domaines d attributs et elle peut tre valid e a partir des formes normales des types de ces attributs Dans le cas o le domaine d attributs est abstrait il prend ses valeurs dans un concept de
65. classe C1 Si l un des attributs de v visible dans C1 est lui m me un attribut d fini c est dire si v est lui aussi une instance compos e alors la v rification du type de v peut d clencher des v rifications sur ses attributs puis sur les attributs de ceux ci et ainsi de suite Pour garantir la terminaison de cette suite le mod le interdit la description de concepts r cursifs c est dire des concepts qui apparaissent plus d une fois dans une suite d attributs 5 8 3 Par la suite nous allons illustrer cette validation de type par un exemple de la proc dure d appariement d une instance Dans cet exemple l appariement entreprend de localiser l instance dans l une des sous classes de sa classe courante du point de vue courant 6 4 2 Validation de type pour l appariement Le probleme de la validation du type d un attribut d un objet compos est le suivant tant donn un objet compos Jc d une classe C d un point de vue PVi d un concept C ayant un attribut a qui prend ses valeurs dans la classe T d un point de vue PVy du concept A d terminer si Jc peut appartenir la classe Cx sous classe de C qui contraint les valeurs de a tre des instances de la classe T1 sous classe de T Alors les trois cas d crits pr c demment correspondent ici aux cas suivants Soit d la valeur de l attribut a pour l instance Ic 205 Id appartient d j la classe TZ ou
66. classe peut comporter une liste explicite de pr d cesseurs la structure finale d une classe sa description compl te est obtenue en recopiant toute l information des attributs de ses sur classes pr d cesseurs La description compl te d une classe est donc une liste d attributs et pour chaque attribut sa description compl te pour la classe La description compl te d un attribut pour une classe est donn e en termes des facettes descripteurs d finies dans la classe ou h rit es des sur classes Cette description inclut des facettes de restriction de type de cardinalit de domaine etc L union de ces facettes d termine compl tement le domaine de valeurs possibles pour l attribut dans cette classe Un m me domaine de valeurs peut tre d crit par diff rentes combinaisons de facettes Fig 4 7 Toutes ces formes quivalentes peuvent tre ramen es une forme normale unique par des r gles de r criture le type de l attribut jours_ouverture un entier dom 1 31 jours_ouverture sauf 29 30 31 jours_ouverture dom 1 28 Fig 4 7 Les d finitions de jours_ouverture dans C1 et C2 sont quivalentes m me si elles sont exprim es diff remment en effet les deux d crivent l ensemble 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 Le type d un attribut pour une classe d termine le domaine des valeurs possibles pour cet attribut dans la
67. comme la classe Appartement Locataire qui n ont aucun mod le dans le monde r el D autre part toute instance de la base appartient a la classe racine Objet donc elle peut naviguer dans toute la base migrer d un concept a un autre ce qui alourdit les m canismes de raisonnement et leur enl ve une partie de leur sens Par ailleurs il est important de remarquer que bien que les concepts TROPES soient disjoints deux deux et qu ils d crivent ainsi des ensembles distincts d individus ils ne sont pas compl tement ind pendants Fig 5 2 lone Locataire Fig 5 2 L attribut habite du concept Locataire prend comme valeur une instance du concept Appartement l attribut Joue du concept Agence est d fini sur les instances du concept Locataire 1 Le nom d un concept est unique dans la base de connaissances 152 En effet si on les a d finis dans une m me base de connaissances c est parce que dans le monde que l on veut mod liser ces diff rentes familles interagissent Dans TROPES cette interaction est d crite au niveau des attributs des concepts On peut avoir par exemple dans le concept Locataire l attribut habite qui prend ses valeurs dans le concept Appartement La notion d attribut d un concept est pr sent e dans 5 2 1 5 1 2 Les points de vue d une base de connaissances Une base de connaissances repr sente et structure la connaissance du monde r el On a vu auparavant que c
68. composant Un composant est un objet du monde qui d crit une partie d un objet complexe l objet composite son tout Bien qu intuitivement simple la relation partie de 62 repr sent e par l attribut composant peut tre interpr t e de diverses fa ons comme par exemple la relation membre collection existante entre un bateau et une flotte la relation portion masse entre un morceau de g teau et le g teau la relation composant tout qui existe entre la p dale et le v lo etc WIN amp 87 SCH amp 83 Informellement nous pouvons dire qu un objet composite est un objet complexe pour lequel on peut identifier des parties Ces parties sont d crites comme des attributs composant de sa classe d appartenance Plusieurs syst mes de repr sentation de connaissances objets manipulent des objets composites par exemple ThingLab BOR81 LOOPS BOB amp 83 OBJLOG DUG91 SHOOD ESC amp 90 SRL FOX amp 86 CONSTRAINTS SUS amp 80 VIEWS DAV87 OTHELO FOR amp 89 ORION KIM amp 89 Leurs diff rentes fa ons d interpr ter et g rer la composition sont discut es dans la section 2 5 Attribut mono valu attribut multi valu Un attribut peut faire r f rence une seule valeur ou bien plusieurs valeurs Dans ce deuxi me cas on parle d un attribut multi valu par opposition a un attribut mono valu Lors de la d finition d un attribut multi valu on peut aussi d finir les sens suivants
69. concepts NEB amp 89 NEB amp 91 Lorsque l ensemble d instances intervenant dans la d finition des termes est disjoint de l ensemble d instances intervenant dans les assertions ce qui est souvent le cas la relation de sp cialisation de concepts correspond la relation d ordre donn e par le graphe de subsomption de concepts lt La plupart des logiques terminologiques utilisent pour la classification d instances l algorithme de classification de concepts le classifieur partir des assertions connues sur l instance concepts d appartenance Ci et r les et caract ristiques Fi ces syst mes construisent une abstraction de l instance sous la forme d une description Cette description devient un concept individuel qui est class dans le graphe par l algorithme de classification de concepts Les deux probl mes principaux de cette approche sont le grand nombre de concepts individuels qui sont ajout s la base et l utilisation de l algorithme de classification de concepts au lieu d un algorithme sp cialis et moins co teux d appariement entre une instance et un concept La logique terminologique LOOM McGRE9Ib est une des seules logiques terminologiques utiliser un algorithme de classification sp cifique pour classer des instances le r aliseur cet algorithme fait une comparaison efficace entre l instance et chaque concept de la base et il n a pas besoin de stocker dans la ba
70. consid rer la diffusion entre les propri t s accessibles d un point de vue et les composants pertinents dans le m me point de vue Dans la version actuelle de TROPES on permet seulement la diffusion de valeur de l objet composite vers les parties dans l exemple la carrosserie peut partager la couleur et les dimensions de la voiture Dans l exemple Fig 5 26 la d composition d une voiture en carrosserie et roues est une d composition faite du point de vue physique de ce m me point de vue certaines propri t s de la voiture sont accessibles sa couleur ses dimensions son poids etc Ce sont les seules propri t s de la voiture qui peuvent appara tre aussi dans la description de la carrosserie et des roues celles des autres points de vue n ayant aucune pertinence pour elles c est le cas de l attribut permis_de_conduire du point de vue utilisation De m me la hi rarchie de classes d un point de vue est rarement ind pendante des composants pertinents dans ce point de vue Dans l exemple les classes conomique et de_luxe sous classes de automobile du point de vue physique sont en rapport direct avec les classes carrosseries_normale et carrosserie_de_luxe car une voiture de luxe a une carrosserie de luxe et une voiture normale a une carrosserie normale ce rapport n existe pas par exemple entre les voitures a propulsion arri re et les carrosseries de luxe 178 5 8 3 Limitations de la relatio
71. correspondantes d une cat gorie C on ne peut pas affirmer que l objet appartienne cette cat gorie car les propri t s manquantes pourraient ne pas satisfaire ses contraintes mais on ne peut pas l exclure non plus car ses propri t s valu es satisfont bien les contraintes correspondantes de la cat gorie SUR Oe ssi Vi 1Xi lt n vj satisfait Tj IMPOSSIBLE Og ssidi 1 lt i lt n tq vj ne satisfait pas Ti POSSIBLE Oe ssi Vi 1 lt 1 lt n vj satisfait Tj ou vj L et 1j 1 lt j lt n tq Vj 1 Le symbole L est utilis ici pour indiquer une valeur inconnue manquante 125 Relation d ordre entre cat gories Une cat gorie C est inf rieure pour l ordre une cat gorie D not C lt D D est un pr d cesseur de C et C est un successeur de D si l ensemble des l ments potentiels de la cat gorie C est inclus dans l ensemble des l ments potentiels de la cat gorie D Avec la d finition structurelle C lt D ssi la structure de C est plus restrictive que celle de D c est dire les propri t s et contraintes de D sont incluses dans la description de C enrichit D par l ajout de contraintes aux propri t s existantes ou par l ajout de propri t s Ainsi soit D une cat gorie d finie par p1 Td1 p2 Td2 pn Tdn et C une cat gorie d finie par p1 Tc p2 Tc2 pm Tem o Txi est l ensemble de contraintes de la propri t pj pour la cat gorie X alors C l
72. cycliques peut produire des inter blocages C est un cas possible lorsque pour classer une instance O il faut v rifier que la valeur I d un de ses attributs soit une instance d une classe particuli re Si cette v rification d clenche la v rification de sa valeur pour un attribut b et que cette valeur est exactement l instance O alors la classification est bloqu e Fig 6 22 Fig 6 22 La classification essaie d attacher O instance de C C1 Pour ce faire elle doit v rifier le type T1 pour I Or I appartient T1 seulement si son attribut b appartient C1 dans ce cas la valeur de l attribut b de I est l instance O Donc pour d duire que O appartient Cl le syst me doit d j savoir qu elle lui appartient ce qui cr e un inter blocage Conclusion Dans ce chapitre nous avons pr sent l algorithme de classification multi points de vue de TROPES Cet algorithme de classification d instances tire partie de la division en concepts d une base TROPES et de la description multi points de vue de chacun de ces concepts De plus la propagation des marques travers les passerelles permet d acc l rer la descente de l instance et d utiliser les connaissances sur un point de vue pour continuer la descente dans un autre L algorithme de classification est param trable et modulaire En effet l utilisateur peut configurer son environnement lors de la classification en organisant les points de vue d
73. d un point de vue Lorsque dans un point de vue une nouvelle classe C est marqu e comme s re elle devient la nouvelle plus petite classe s re de ce point de vue En effet l algorithme ne peut marquer comme s res que les classes non marqu es les marques impossibles tant non modifiables si C tait non marqu e alors elle serait n cessairement plus petite que la plus petite classe s re courante D apr s l analyse faite dans la section pr c dente il suffit de mettre jour la valeur de C_min pour que la fonction marque rende pour toutes ses sur classes la marque s re r gle de propagation 1 pour toutes les s urs des classes s res la marque imp r gle de propagation 2 et pour toute sous classe d une classe impossible la marque imp C_ min C co t constant Ainsi O prop 1 PV 0 1 Propagation par les passerelles L algorithme de propagation doit prendre en compte les passerelles actives du concept La liste de passerelles actives comporte pour chaque passerelle la liste de ses sources et la classe destination Le nombre maximal de classes intervenant dans une passerelle nombre de sources 1 est p nombre de points de vue Pour faire la propagation de marques l algorithme parcourt toutes les passerelles actives pa et pour chaque passerelle il ex cute les pas suivants Fig 7 16 Calculer les marques courantes de chacune des classes intervenant dans la passerelle Au maximum il doit calculer
74. d une classe dans le graphe de sp cialisation peut tre calcul e partir des graphes des types de ses attributs En effet le graphe des types associ l attribut a fournit d une part l ensemble des sur classes possibles de C par rapport l attribut a s a C les classes associ es aux sur types du type de a de C et d autre part l ensemble des sous classes possibles de C i a C par rapport a les classes associ es aux sous types du type de a de C Les sur classes directes possibles de C par rapport a sup a C sont les l ments minimaux de s a C les sous classes directes possibles de C par rapport a inf a c sont les l ments maximaux de i a C sup a c U inf a Q WU t 1 Gla t 1 Gla o GTa est le graphe de types associ es un attribut a la relation de sous typage lt est quivalente la relation d inclusion portant sur les domaines des attributs Un type t est sous type d un type t2 si est seulement si t correspond un domaine inclus dans le do maine correspondant t2 Une classe est compos e de plusieurs attributs Ainsi pour qu une classe D soit sur classe directe de la nouvelle classe C tous les attributs de D doivent tre pr sents dans C et D doit tre une sur classe directe possible de C par rap port a chacun de ces attributs De m me pour qu une classe E soit sous classe directe de la nouvelle classe C tous les attributs de C doivent tre pr sents
75. dans 2 4 2 sont d autant plus graves dans les langages orient s objet que l h ritage y est une notion op rationnelle qui n a pas une justification s mantique de base 1l est contr l par des informations qui ne sont pas du niveau de la repr sentation Dans un syst me de repr sentation centr objet l h ritage n est qu une description d riv e de la fa on dont l information circule entre des classes li es ce n est pas une primitive du syst me sp cifi e en termes op rationnels Les probl mes conceptuels de conflit d h ritage peuvent et doivent ici tre trait s au niveau de la s mantique accord e la sp cialisation des classes et aux objets de la base les d tails d impl mentation restant compl tement cach s C est l approche que nous allons prendre dans le chapitre suivant pour discuter le probl me de l h ritage multiple 88 En ce qui concerne le raisonnement et les explications la s mantique d une repr sentation de connaissances d termine les d ductions valides du syst me c est dire une requ te satisfaite dans tous les mondes possibles Les inf rences sont faites par des m canismes sp cialis s tels que la classification et le filtrage qui ont des tapes de d ductions valides et explicables Dans les langages orient s objet par contre le raisonnement est c bl dans des programmes ou bien contr l par l envoi de messages entre des objets Ces objets sont d
76. dans E et E doit tre une sous classe directe possible de C par rapport chacun de ces attributs De plus les sur classes obtenues doivent tre minimales sup C et les sous classes obtenues maximales inf C sup M a Oo ANC AC cae ae A C inf C MN int a0 V C 1 AC CAC ae A C L algorithme de classification d une classe C fait pour chaque attribut a de C e le calcul des sur classes directes de C par rapport a a sup a C e le calcul des sous classes directes de C par rapport a inf a C et e la mise a jour des sur classes directes possibles PSD et des sous classes directes possibles PsD de C enfin il garde parmi les PSD celles dont les attributs sont inclus dans la liste d attributs de C et parmi les PsD celles dont la liste d attributs contient les attributs de C Appariement La comparaison entre deux classes est divis e ici en plusieurs comparaisons entre attributs Deux attributs du m me nom de deux classes diff rentes sont compar s en comparant la version normalis e de leurs types Les notions de description compl te de classe de normalisation de type d attribut et de graphe de type d attribut se trouve aussi dans notre mod le TROPES Dans TROPES le graphe des types d un attribut n est pas comme ici un graphe complet contenant explicitement toutes les relations de sous typage de la base mais un arbre plong dans le graphe de classes 5 6 4 l Le grap
77. dans une structure d objets connus la base de connaissances organis s selon une relation d ordre 4 Localiser le nouvel objet dans cette structure revient rendre explicites des relations existantes entre cet objet et les objets de la base Par la suite nous allons utiliser le terme descendre en sens figuratif pour indiquer le fait que l on cherche des minimaux de l arbre de classes 2La parall lisation de l algorithme de classification est pr sent e dans QUI93 183 Dans ce cadre la classification d une instance dans une repr sentation objets ayant l approche classe instance consiste trouver les classes d appartenance les plus sp cialis es pour une nouvelle instance dans un graphe de sp cialisation de classes Lorsque l information de l instance est compl te la classification peut retrouver toutes les classes de la base de connaissances auquelles appartient l instance La classification d une instance compl te peut tre vue alors comme la division des classes de la base de connaissance en deux groupes les classes s res auxquelles l instance appartient et les classes impossibles auxquelles elle n appartient pas Les l ments minimaux du premier groupe forment le r sultat de la classification Si le syst me manipule des instances incompl tes la classification d une instance peut rendre outre les classes s res et les classes impossibles un ensemble de classes possibles
78. de S classifications doit tre unitaire car il correspond aux formes normales de la r duction La confluence locale d un syst me S peut tre montr e par la convergence des paires critiques de S D apr s le th or me de G Huet un syst me de r criture est localement confluent si et seulement si toutes ses paires critiques convergent Soit a b c Q tels que a gt b a gt c Il faut montrer que b et c sont convergents c est a dire qu il existe un w tel que b gt pw et CRW La figure suivante Fig 7 8 montre les diff rents cas qui peuvent se pr senter III est important de distinguer entre le graphe G et le syst me de classification Le premier ne comporte que la suite d tats accessibles pour l instance et l accessibilit est d finie de fa on ne pas avoir des cycles Un SC peut avoir des cycles il est alors redondant 221 Fig 7 8 Paires critiques obtenues pendant la classification Par exemple a b et a gt c En partant de a lt a an gt les r ductions possibles de a b et c sont d crites par les m tuples dont le composant a est chang par B ou par yk Vk 1 m Le composant Br si l on utilise la fonction de classification f plus pr cis ment la fonction f Le changement de y peut tre justifi par l existence d une passerelle p X avec i k qu il s agisse de passerelles initiales ou de celles ajout es lors de la compl tion Fig 7 9 Finalement s
79. de connaissances Une base de connaissances assez complexe manipule des familles d objets de nature diff rente telles que Personne et Appartement Dans TROPES une telle famille d objets s appelle un concept Une base de connaissances TROPES est compos e d un ou plusieurs concepts ind pendants ces concepts sont disjoints deux deux et d terminent une partition de l univers du discours c est dire que toute instance de la base de connaissances appartient un et un seul concept de la base Par exemple une base de connaissances immobili re contient les concepts Locatairel Appartement et Agence Fig 5 1 BS 0 40 ky G n F T Et Appartement Locatair base Immobili re concepts Locataire Agence Appartement Fig 5 1 Une base de connaissances est compos e de concepts disjoints Par exemple la base Immobili re comporte les concepts ind pendants Locataire Appartement et Agence immobili re Souvent les mod les de repr sentation a objets qui permettent la migration d instances ne font pas cette partition en concepts tous les objets de leurs bases de connaissances font partie d un m me graphe de classes dont la racine est la classe Objet Cette repr sentation rend difficile la d finition de la s mantique associ e a la base de connaissances D une part la disjonction des concepts n est pas garantie car rien n emp che la cr ation d instances ou de classes issues de plus d un concept
80. de l instance Les deux autres cas sont trait s par le syst me avecdeux modes de travail diff rents le premier suppose que les hypoth ses sont ind pendantes les unes des autres tandis que le deuxi me suppose qu une hypoth se d pend de toutes les hypoth ses pr c dentes La distinction entre ces deux modes est importante lors de la modification d une hypoth se Hypoth ses ind pendantes Le premier mode correspond aux hypoth ses ind pendantes la valeur hypoth tique donn e un attribut ne d pend pas des valeurs des autres attributs La modification d une hypoth se ne met pas en cause les valeurs hypoth tiques ou s res des autres attributs de l instance mais seulement les liens d appartenance de celle ci Dans ce cas l instance hypoth tique ainsi modifi e est reclass e en faisant appel l algorithme de relocalisation d instances pr sent pr c demment 8 1 Hypoth ses d pendantes Le deuxi me mode de raisonnement prend en compte l ordre d mission des hypoth ses une hypoth se d pend de toutes les hypoth ses pr c dentes Ainsi lorsque l utilisateur modifie la valeur d une hypoth se hj toutes les hypoth ses faites ensuite sont effac es et l instance est remont e au niveau o elle tait avant l mission de hi Ce deuxi me mode de raisonnement peut tre vu comme un cas extr me du premier o plusieurs valeurs sont modifi es en m me temps hj est modifi e et les h
81. des heuristiques du raisonnement employ et lui permet de tester et corriger le syst me En effet un syst me complexe n est intelligent que dans la mesure o il peut expliquer son comportement autrui Ainsi la question de savoir si un syst me est de IA ou non n est pas tant qu il mod le ou non une intelligence humaine mais qu une intelligence humaine puisse comprendre son comportement en termes de concepts clairement d finis l approche I A est caract ris e par la pr minence de Vexplicabilit sur l efficacit KOD86 Un syst me intelligent doit donc tre capable de repr senter et de r soudre des probl mes compl xes particulier en donnant des explications claires de la d marche suivi 1 2 Repr sentation et raisonnement 1 2 1 S paration entre repr sentation et raisonnement L intelligence artificielle aborde une classe de probl mes pas encore abord s par l informatique classique des probl mes pour lesquels on n a pas de m thodes de r solution pr d finies relevant des domaines complexes tels que la compr hension du langage l apprentissage le raisonnement la vision etc Pour r soudre ces probl mes l IA propose un nouveau paradigme de programmation la programmation d clarative par opposition la programmation proc durale classique Dans la programmation proc durale la repr sentation de la connaissance et le raisonnement c est dire les m canism
82. des inf rences logiques monotones les syst mes base de r gles qui utilisent des m canismes de chainage avant et arri re pour simuler un raisonnement cause effet les r seaux s mantiques et les graphes conceptuels qui permettent de repr senter la connaissance pas des graphes bipartites les syst mes de sch ma qui suivent un raisonnement par analogie et enfin les logiques terminologiques et les repr sentations centr es objet qui utilisent la classification comme m canisme de raisonnement de base Nous commen ons le chapitre par une pr sentation historique de la notion d intelligence artificielle puis nous discutons les notions de connaissances repr sentation de connaissances et raisonnement ainsi que les diff rentes hypoth ses que l on peut faire pour repr senter et raisonner avec des connaissances incompl tes ou inconsistantes Dans la section trois nous traitons le sujet principal du chapitre savoir les diff rentes techniques de repr sentation de connaissances en indiquant pour chacune les m canismes de raisonnement associ s les avantages et inconv nients les hypoth ses sous jacentes et les applications pour lesquelles cette repr sentation est la plus adapt e Finalement nous faisons une conclusion sur la probl matique du choix d un paradigme de repr sentation 1 1 Intelligence artificielle Les sources de l intelligence artificielle remontent aux ann es 30 et 40 avec le d veloppement de la logique
83. deuxi me contexte hypoth tique est cr Fig 8 7 b Enfin si en r fl chissant mieux le t moin d cide de changer la premi re hypoth se d un parfum sec a un parfum doux alors le syst me efface les deux contextes hypoth tiques et en cr e un nouveau o l instance est attach e DI PV1 et C21 PV2 Fig 8 7 c La classification hypoth tique que nous venons de pr senter a deux grandes restrictions e Elle laisse la charge de l utilisateur le choix et la mise en cause des hypoth ses e Une hypoth se est soit ind pendante de toutes les hypoth ses pr c dentes soit d pendante de toutes les pr c dentes Ces deux limitations sont t supprim es dans un prototype de TROPES qui inclut des t ches ORS90 et des liens de d pendance entre les attributs d une instance GEN90 e L ajout des t ches au mod le permet le calcul automatique des valeurs des attributs Une t che peut tre vue comme un ensemble de m thodes attach es un attribut du concept Ces m thodes calculent la valeur de l attribut partir des valeurs d autres attributs du concept Si une t che retourne plusieurs valeurs alors le syst me cr e pour chaque valeur une instance hypoth tique et continue la classification avec la premi re si celle ci s av re inconsistante le syst me continue la classification avec la deuxi me instance hypoth tique g n r e les valeurs obtenues pour d autres attributs par le d cl
84. dupliqu s comme dans l exemple de la suite de Fibonacci le troisi me cas respecte l ordre et n admet pas de dupliqu s La plupart des syst mes qui manipulent des attributs valeur multiple ne d finissent pas clairement la s mantique et la structure utilis es Certains utilisent avec une m me notation plusieurs s mantiques ce qui peut g n rer des contradictions et des erreurs lors du raisonnement 63 2 2 3 Facette Pour un sch ma de classe les facettes peuvent soit tablir des contraintes sur les valeurs possibles de cet attribut dans les instances soit indiquer des m canismes d inf rence de cette valeur soit enfin d clencher certaines actions associ es aux diff rentes manipulations de l attribut Facette de contrainte Parmi les facettes de contraintes on a le type le domaine et des contraintes intra_attribut concernant seulement un attribut inter_attributs mettant en rapport plusieurs attributs d un objet et inter_objets Les deux premi res sont pr sentes dans tous les syst mes de repr sentation centr s objet la troisi me est moins courante Facette du type La facette du type indique le type ou classe dans lequel l attribut peut prendre ses valeurs Si la facette type d un attribut a d une classe C indique une classe D alors les instances de C prennent comme valeur de l attribut a des instances de D on dit que C est une classe compos e et ses instances sont des instances com
85. e de l instance dans son point de vue 250 f L tat initial eg poss de des sources s res ou non marqu es et la destination est non marqu e Dans l tat e une des sources s res devient impossible La passerelle ne sert plus d duire des marques et elle doit tre effac e Fig 8 4 f g L tat eg a la destination s re et des sources non marqu es Alors ind pendamment du changement la passerelle doit tre effac e Fig 8 4 9 h Dans tous les autres cas la passerelle n est pas chang e et sa r vision n entra ne aucune action F1g 8 4 h sources destination a S S S S S S S S S S S S S S S b S S S S I S S 7 SSSSLSS S S LS 8 8 S Ie D PVz I effacer I effacer L A n r N Kal S effacer p gt S S LS I S S effacer e S S S S I S S j SS LS 2 S S I Ie E PVx 7 gt K E PVx B D ee E p ST fx e0 Etat de la passerelle el Etat de la passerelle avant la remont e de I apr s la remont e de I Action Fig 8 4 Le changement de la marque s re par impossible d une classe faisant partie d une passerelle peut remettre en cause la validit des inf rences provoqu es par la passerelle ex c e ou bien rendre inactives des passerelles actives ex f Relocalisation possible Lorsque la marque d une classe change de s re possible l instance doit aussi remonter le long de son chemin de classes s res jusqu
86. elle repr sente l ensemble complet des l ments de l intersection car sa cr ation n ajoute aucune information impor tante au graphe Dans ces cas on voudrait pouvoir exprimer le fait qu une instance appar tient aux deux sur classes C1 et C2 sans avoir cr er la classe intersection On parle donc de l instanciation multiple une instance peut tre attach e par le lien est_un plusieurs classes qui ne sont pas li es entre elles par la relation de sp cialisation Dans l exemple pr c dant au lieu de cr er la classe C3 l objet A peut tre instanci par la classe Cl et par la classe C2 il h rite de tous les attributs de ces deux classes Fig 2 16 c2 A Cc EE A Fig 2 16 La multi instanciation consiste attacher une instance plusieurs classes qui d crivent des ensembles non disjoints d instances 81 La solution par multi instanciation utilis e par OWL II MAR79 est beaucoup moins utilis e que celle de l h ritage multiple elle pr sente aussi des probl mes D une part elle exige des m canismes puissants de contr le de coh rence pour interdire qu une instance soit attach e deux classes incompatibles deux classes disjointes ou l une sous classe de l autre D autre part le probl me du traitement des attributs ayant le m me nom n est pas r solu mais transport l instance au moment de sa cr ation Quoique la discussion pr sent e ci dessus montre l i
87. entra ner une suite d appels une proc dure de sp cialisation qui valide 208 l appartenance d une instance une classe Les restrictions tablies par le mod le pour la description d objets compos s garantissent la terminaison de cette suite de sp cialisations La propagation de marques est la proc dure qui profite au maximum des originalit s de TROPES savoir les passerelles entre les points de vue et l hypoth se d exclusivit mutuelle de classes s urs En effet gr ce cette hypoth se l identification d une classes s re pour l instance dans un point de vue permet d liminer toute une partie de l arbre du point de vue en marquant les classes de cette partie de l arbre comme des classes impossibles pour l instance Les passerelles offrent un m canisme d inf rence de marques entre points de vue qui permet d optimiser la classification de l instance L algorithme de classification de TROPES classe l instance de fa on incr mentale au fur et mesure que l utilisateur donne des informations le syst me produit des r sultats partiels et interactive qui s appuie sur la normalisation de types et d arbres de types des attributs pour optimiser la proc dure d appariement Cette approche est galement utilis e par CAP amp 93 pour la classification de classe Le parcours du graphe d un point de vue correspond a peu pr s a la classification dans les logiques terminologiques
88. est pas un membre d une classe mais non pas pour conclure qu un item EST un membre d une classe En effet si une instance x ne satisfait pas toute la description de la classe alors x n appartient pas la classe par la contrapos e de la d finition Par contre la satisfaction de la description de la classe ne suffit pas a d terminer l appartenance de l instance la classe Dans ce type de syst mes l appartenance d une instance une classe ne peut pas tre inf r e elle doit tre donn e explicitement A ce type de syst mes appartiennent les langages orient s objets car ils ne peuvent pas d cider de l appartenance d une instance une classe Conditions suffisantes La deuxi me relation correspond une interpr tation du sch ma de classe comme un ensemble de conditions suffisantes ainsi pour toute instance x si x satisfait les propri t s du sch ma de la classe alors x appartient l ensemble d crit par la classe Cette condition est beaucoup plus forte que celle des propri t s n cessaires L tablissement de conditions suffisantes pour une classe permet l utilisation de la classe comme un filtre comme un reconnaisseur pour d terminer si une instance appartient une certaine cat gorie d objets En effet partir des sch mas de classe le syst me peut inf rer la classe d appartenance d une instance de la base en regardant les conditions des diff rentes classes et les v
89. et le monde repr senter 27 La perception que l agent peut avoir du monde se base sur l une des quatre hypoth ses suivantes le monde est unique et les agents le per oivent tous de la m me mani re le monde externe est unique et ind pendant de l agent qui l observe Deux observateurs d un m me monde en ont la m me perception Ils voient tous les m mes propri t s du m me point de vue On peut parler dans ce cas d un monde unique et un observateur unique Cette hypoth se est prise par la plupart de logiciels classiques et par quelques syst mes de repr sentation de connaissances le monde est unique et les agents le per oivent de mani re compl mentaire comme dans le cas pr c dent ce cas suppose que le monde externe est unique et ind pendant de l observateur chaque observateur percoit un sous ensemble de propri t s et relations de ce monde en fonction de ses int r ts M me si les observateurs per oivent le monde selon des perspectives diff rentes leurs perceptions sont compl mentaires coh rentes Dans ce courant se placent deux cat gories de syst mes d une part les syst mes comme les gestionnaires des bases de donn es qui supposent que l on peut faire une repr sentation compl te du monde et qui g rent des vues partielles du monde d autre part les syst mes de repr sentation de connaissances qui manipulent des objets incomplets et qui permettent des perceptions partielles d
90. finir une passerelle bidirectionnelle entre ces classes Fig 5 15 pass de Appartement Banlieue Localisation vers Appartement HLM Financier pass de Appartement HLM Financier vers Appartement Banlieue Localisation Fig 5 15 Une passerelle bidirectionnelle est comme une double implication logique elle se d crit par deux passerelles unidirectionnelles oppos es Outre la fa on explicite de d finir une passerelle bidirectionnelle TROPES offre une fa on implicite en donnant le m me nom aux deux classes de la passerelle en effet l espace des noms des classes d un concept tant le concept entier deux classes de deux points de vue diff rents ayant le m me nom sont reconnues par le syst me comme repr sentant le m me ensemble potentiel d instances C est le cas des classes racines de toutes les points de vue d un concept qui ont toutes le m me nom celui du concept Ayant le m me nom elles sont reli es deux deux automatiquement par une passerelle bidirectionnelle implicite 5 4 4 Passerelles et sp cialisation de classes Les classes d un point de vue d un concept sont structur es dans un graphe induit par la relation de sp cialisation lt Cette relation repr sente l inclusion stricte des ensembles potentiels d crits pas les classes Ainsi B PVi lt A PVi si l ensemble potentiel des instances de B est un sous ensemble strict de l ensemble potentiel des instances de A
91. le concept T est ordonn alors calculer l intersection des domaines de deux types est la conformation d une liste ordonn e d intervalles a partir de deux listes ordonn es d intervalles La complexit de cette proc dure est O in o in est le nombre d intervalles du type ayant le plus grand nombre d intervalles dans son domaine e Si le concept n est pas ordonn alors l intersection dans le cas le plus co teux pour un attribut multi valu consiste cr er l ensemble intersection des l ments des en sembles des deux types ce qui revient v rifier pour chaque l ment d un ensemble s il est pr sent dans l autre Cette op ration est assez co teuse si est la cardinalit maximale la plus petite de deux types pour un attribut multi valu t1 le nombre d l ments permis ou exclus d un des types et t2 le nombre d l ments permis ou exclus de l autre type alors la complexit dans le pire des cas est O t1 t2 Ainsi la complexit de la mise jour d information pour une nouvelle classe s re d un point de vue est O a max in t1 t2 c o a est le nombre d attributs du concept Cette mise jour est faite pour tous les points de vue pour lesquels la propagation a produit une nouvelle classe s re Dans le cas extr me le nombre total de points de vue ayant une nouvelle classe s re est p 1 p tant le nombre total de points de vue du concept La complexit to
92. le qu une entit peut jouer m re propri taire etc Une relation du r seau peut avoir des propri t s particuli res telles que la sym trie la transitivit une relation inverse etc Deux relations sp cialement importantes pour la possibilit qu elles offrent de structurer la connaissance en une hi rarchie de concepts sont la relation sorte de entre concepts g n riques et la relation est un entre un concept g n rique et un concept individuel Ces deux relations sont souvent confondues dans un seul lien de sp cialisation de concepts Fig 1 5 De plus un concept qui sp cialise un autre poss de toutes les relations de celui ci il h rite de son information Cette id e de structurer la connaissance en une ou plusieurs hi rarchie propos e pour la premi re fois par les r seaux s mantiques est l origine de toute une famille de syst mes les syst mes hi rarchiques et en particulier les logiques terminologiques 1 3 5 PERSONNE est_u est_un FILLE GARCON est_u est_un Olivia DONNE Whitman fleur _1 est_u aparti PETALE est_un md Q FLEUR Ta TIGE Fig 1 5 R seau repr sentant quelques liens entre le proposition Olivia donne une fleur Whitman et des connaissances conceptuelles g n rales sur les tres humains et les fleurs traduit de STI amp 89 Les relations non binaires comme DONNE sont repr sent es par un n ud et non pas par un arc
93. le sch ma de A affine les attributs du sch ma de B 5 5 2 Une passerelle unidirectionnelle entre deux classes de deux points de vue diff rents tablit aussi une relation d inclusion ensembliste 5 4 1 La propri t de transitivit de la relation d inclusion ensembliste qu elle soit exprim e par l affinement d un sch ma de classe ou par une passerelle permet l identification des passerelles implicites dans un concept Soit E une classe d un point de vue PV et B et A deux classes d un m me point de vue PV i j tant sur classe de B not B PVi lt A PVi S il existe une passerelle de A PVi vers E PV not A PVj gt E PV alors l ensemble potentiel d instances de A PV est inclus dans celui de E PV et comme l ensemble potentiel d instances de B PV est inclus dans celui de A PVi on d duit par transitivit que l ensemble potentiel d instances de B PV est inclus dans celui de E PV donc qu il y a une passerelle de B PV vers E PV SiB PVi lt A PViet A PVj gt E PVj alors B PVj gt E PV 163 En g n ral s il y a une passerelle allant d une classe B d un point de vue PV vers une classe E d un autre point de vue PVj alors il y a une passerelle implicite de chacune des sous classes de B vers E Fig 5 16 Enfin si l on d finit un chemin sur un concept comme une suite de classes C1 gt C2 gt Cy o la classe Cj4 est soi
94. les l ments classiques d une RCO classe instance attribut facette lien est_un lien sorte_de TROPES introduit les notions de concept de point de vue et de passerelle Le concept permet de r soudre le premier probl me pos Les points de vue offrent la possibilit de regarder une base selon un aspect particulier et d en avoir une vision partielle et pertinente Le probl me du multi h ritage dispara t presque compl tement avec l introduction des points de vue Les passerelles tablissent les communications entre deux points de vue et repr sentent ainsi la collaboration inter disciplinaire Une base de connaissances TROPES est divis e en familles d objets disjointes appel es concepts Le concept est e lespace de d finition des classes les graphes de classes des diff rents concepts ne sont plus li s par la classe racine objet ni par aucune autre classe Chaque concept a sa propre structure de classes ce qui emp che la cr ation de classes partag es par deux concepts e l espace de d finition des attributs un attribut a le m me sens partout dans le concept et n est pas connu ailleurs Ce choix vite d avoir deux attributs diff rents avec le m me nom et limine ainsi le conflit d h ritage de nom e l espace de d finition des instances une instance n est plus une entit dont l existence et les caract ristiques sont subordonn es sa classe d appartenance mais un objet ayant une st
95. lors de la d finition de cet attribut dans le concept car c est cette d finition qui contient le domaine maximal de valeurs que peut prendre l attribut si l attribut est mono valu ce domaine est le domaine maximal de base si l attribut est multi valu son domaine maximal est tabli par toutes les combinaisons des valeurs du domaine maximal de base Le domaine maximal de valeurs d un attribut d un concept peut tre restreint dans une classe particuli re du concept par l ajout des descripteurs de contraintes 2 2 3 5 5 2 ces restrictions donnent lieu aux sous types du type maximal La structure des types d un attribut induit par la relation de sous typage est pr sent e dans 5 6 4 Les attributs de nature relation sont trait s actuellement comme les attributs de nature propri t 2Par rapport la distinction faite dans 2 2 2 2 la version actuelle de TROPES traite les propri t s multi valu es comme des ensembles qui repr sentent une unit indivisible et il traite les composants multiples comme des listes ordonn es des valeurs simples La justification de ce choix est donn e dans 5 8 3 3 Voir ORS90 pour une discussion sur les t ches et les m thodes dans TROPES 4 ne pas confondre avec les concepts et les instances composites ayant des attributs de nature composant Des caract ristiques particuli res de la classification d objets compos es sont d crites dans 6 4 155 5 2 2 L
96. mantique de la relation et de lui attacher des contraintes appropri es Bien que les deux derniers groupes de syst mes permettent la mod lisation de toute une vari t de relations ils n ont pas de m thodes pr d finies pour une relation particuli re telle que la composition Classe MidPointLine Superclasses Geometric object Part Descriptions Line a line midpoint a pp Constraints midpoint line pointi 1 midpoint lt line pointi line pointd line pointl lt midpoint 2 line poipf line point2 lt midpoint 2 line poi Fig 2 20 Repr sentation d une classe en ThingLab Dans la classe MidpointLine le point du milieu doit tre 4 mi chemin des deux extr mit s Cette contrainte peut se satisfaire de trois fa ons d crites par les m thodes nonc es sous la r gle l ordre des m thodes indique l ordre des pr f rences pour leur d clenchement BOR81 2 5 4 La co subsomption subsomption composition Comme nous avons pr sent dans 1 3 5 la relation de subsomption est une relation d ordre partiel entre deux concepts un concept A subsume un concept B si la description de est plus g n rale que celle de B l ensemble d objets d crits par A inclut celui d objets d crits par B La relation de subsomption permet de mettre en correspondance des concepts d crits en terme de conjonctions ou de disjonctions de litt raux Dans les repr sentations objets les objets s
97. marqu e s re ses s urs deviennent impossibles ainsi que les sous arbres de celles ci La marque s re de Centre_ville n est pas propag e par la passerelle car l autre source Plus_de_3p n est pas encore marqu e Mise jour des passerelles et points de vue actifs part la propagation des marques cette tape de classification doit mettre jour le nombre de passerelles actives Npass et l tat actif ou inactif de chaque point de vue Npass est d cr ment de 1 chaque fois qu une passerelle qui tait encore active devient inactive c est dire lorsqu elle ne sert plus faire des inf rences Une passerelle devient inactive si toutes ses classes sources et destination ont une marque s re ou impossible la destination d une passerelle est marqu e s re une des sources d une passerelle est marqu e impossible Pour voir la validit de ces affirmations il suffit de v rifier avec les cas de propagation d crits auparavant qu aucune nouvelle marque pour une des classes non marqu es de ces passerelles ne permet de faire de nouvelles inf rences Un point de vue auxiliaire ou cach devient inactif quand le nombre de ses passerelles actives Npass est 0 Un point de vue principal passe un tat inactif quand la plus petite classe s re de ce point de vue pour l instance classer est terminale Dans l exemple de l appartement le point de vue Localisation qui est le point de v
98. math matique et les syst mes logiques de Frege Russell Tarski etc En utilisant ces syst mes logiques pour formaliser le raisonnement et des id es nouvelles sur la nature symbolique de l information Turing propose une conception 23 abstraite du traitement informatique et pr conise la possibilit d avoir un m canisme informatique capable d agir d une fa on qu on qualifierait d intelligente Dix ans plus tard il propose son test de Turing TUR50 qui consiste faire r pondre une personne et un ordinateur une s rie de questions pos es par un observateur externe si celui ci ne distingue pas les r ponses de l ordinateur de celles de l tre humain on peut parler d un ordinateur intelligent Cette d finition purement comportementale de bo te noire de l ordinateur intelligent est enrichie par la naissance de la science de la connaissance en effet dans ces m mes ann es 50 des travaux de Piaget Chomsky et Minsky dans des disciplines aussi vari es que la psychologie la linguistique et l informatique convergent vers un m me but l tude et la compr hension de l esprit humain L un des apports de cette p riode est le mergence de la cybern tique science qui tudie le comportement des syst mes complexes et dont les id es d auto organisation et r gulation partielle ont t reprises plus tard par les mod les connexionnistes VAR89 La science de la connaissance prend son essor ave
99. matrice carr e X1 Sym trique X2 Non_Sym trique et f x 1 si x est sym trique 2 sinon Le cas particulier o h 0 est une forme de classification d g ner e la classe X n a pas de sous classes C et Vxe X f x 0 Un l ment x de X est classifi pour la forme de classification FC X C f lorsque appartenance de x l un des ensembles de la partition C de X est d termin e en accord avec la valeur de f pour x Si h21 et f x 0 alors x ne peut pas tre classifi dans l un des sous ensembles de X donn s par C il est alors classifi dans X Une forme de classification est d finie pour un niveau donn Par la suite nous allons introduire la notion d arbre de classification qui tend les id es de forme de classification tout l arbre de classes 214 7 1 2 Arbre de classification Un arbre de classification A X not AC est un arbre fini dont les n uds sont des formes de classification FC et tel que e La racine est une FC X C f e Si un n ud de l arbre est une FC Y D g et qu il a comme successeurs les FC Y1 D1 g1 Yh Dh gh alors la partition D est donn e par les y D Y Yp Dans la d finition pr c dente A X repr sente un point de vue la classe racine est X et D est l ensemble des sous classes d une classe Par exemple Fig 7 2 l arbre de classification correspondant au point de vue forme du concept matrices poss de
100. montr auparavant 4 3 1 qu une cat gorie est d crite de fa on in tensionnelle par une liste de propri t s ayant des contraintes De plus pour deux cat go ries C et D si C lt D alors les propri t s de D sont pr sentes dans C avec probablement plus de restrictions Ainsi plusieurs syst mes ne gardent pas dans la base la description compl te d une cat gorie mais juste la liste des pr d cesseurs directs et les propri t s et 128 contraintes ajout es leurs descriptions De m me l objet classer peut tre d crit en termes de toutes ses propri t s ou bien en termes des cat gories dont on sait d j qu elles le pr c dent et des propri t s aditionnelles pas pr sentes dans ces cat gories L appariement comporte normalement deux phases une premi re phase de normali sation dans laquelle la description compl te de la cat gorie et de l objet comparer sont obtenues en recopiant les propri t s de leurs pr d cesseurs et une deuxi me tape dans laquelle ces descriptions normalis es sont compar es pour d terminer la relation entre elles Certaines am liorations ont t propos es r cemment comme la normalisation partielle pour viter des v rifications redondantes 4 4 1 Par la suite 4 4 nous allons pr senter deux grands groupes de techniques de classification de cat gories en termes des aspects que nous venons de pr senter repr sentation des cat gories graphe indu
101. nd ee ne ae E 5 6 Les attributs d une classe 5 6 1 Descripteurs d un attribut dans un sch ma de classe seen 167 Des ripteurs de types nent duis na he nd RS RON A et as en Le Descripteurs de valeurs valides D scripteur de cardinalt 5 stat annee nn nn ann prete La valeur par d TAUT Essentiel tintin 5 6 2 Le type d un attribut d une classe 5 6 3 Affinement et normalisation A attributes eecsssecessseesssscesssescssneccsseessssesssseessnseessssecssasecssssessnesessneeesse 170 Affinement du CY Pe ss sen nn ER at A E cdd cr en ann 170 Affinement des Valeurs Valides sursis E RE 170 Affmementd la cardinalit sisiy anh aa dee a a a ER RE A tt Et 171 Aftin ment du delat sis iWin ney TR TE dd nr rien 171 5 64 L arbre de types d un attribut d un CONCEPT een 171 3 7 Tesinstances d un Concepts Se E AERE EA rt ln ne M Gn ee ne cl LEE 172 5 7 1 1d ntification d une mStANCe se r RAS UE RE Ant A soll HA RENE EE 172 5 7 2 Le type d une INSTANCE resns EE e E E E EE EEE ne nr nn tn 5 7 3 La valeur d une instance 5 7 4 Relations d appartenance ss eere nent nn 173 Cr ation d une instance sissississsesscasessassessssccsssssnassatesssgusdscesasessnsdsesssdanseddssbscansvaddessssncsd ssuscetonssdsesescn uaseyabecseusnessastesbs 173 Appartenance d une instance une Classe seen 174 5 7 5 L instance vue d un point de vue du CONCEPT nn 174 98 THES Objets Composite Sienen an e a An n nine ren rene l
102. non pas par des consid rations op rationnelles d impl mentation on parle ici d une s mantique externe qui fait le lien entre le monde r el et la syntaxe d crivant les l ments du mod le C est gr ce cette s mantique formalis e dans le mod le que le syst me peut faire des inf rences sur le mod le puis les transf rer aux objets du monde Les langages de programmation orient e objets sont des outils de construction de programmes fond s sur un mod le proc dural de la connaissance Bien qu ils puissent tre utilis s pour construire des syst mes de repr sentation de connaissances ils ne sont pas ad quats pour repr senter directement la connaissance car ils n offrent pas une s mantique formelle pour les objets et les classes cette manque de s mantique limite l expressivit du syst me on ne peut pas repr senter certains aspects des objets et permet aux proc dures utilisateur de modifier les structures de donn es rendant difficile la description et la compr hension du syst me Dans la programmation orient e objet la s mantique est subordonn e la d finition op rationnelle du syst me PAT90 Les classes dans la programmation orient e objets ont un pouvoir d expression limit un objet peut tre membre d une classe seulement si cette classe ou une de ses sous classes est mentionn e explicitement dans l objet on ne peut pas utiliser une classe comme un pattern pour reco
103. par objets sont discut es dans 2 6 1 67 syst mes tels que OWL II MAR79 permettent la multi instanciation un individu peut appartenir a plusieurs classes ensembles de la base Conditions n cessaires et suffisantes d appartenance une classe Dans la section pr c dente nous avons dit que le lien est un indique que l instance a les attributs d crits par le sch ma de la classe et que la valeur que l instance a pour chacun de ces attributs satisfait les contraintes impos es par les facettes de l attribut dans la classe Cette relation entre l appartenance d une instance une classe et la satisfaction des contraintes de la classe par les valeurs des attributs de l instance peut tre interpr t e de trois fa ons silest un C I est membre de la classe C alors I satisfait les contraintes impos es par les attributs de C sil satisfait les contraintes impos es par les attributs de la classe C alors I est un C Iest un C si et seulement si I satisfait les contraintes impos es par les attributs de la classe C Conditions n cessaires Dans la premi re interpr tation les conditions tablies par le sch ma de la classe sont des conditions n cessaires des conditions que tout individu de la classe doit satisfaire Des syst mes contenant seulement des conditions n cessaires mais non pas des conditions suffisantes peuvent utiliser le m canisme de classification pour conclure qu un item n
104. param trage modularit efficacit et correction C est de plus une classification incr mentale et interactive Dans le premier chapitre de la th se nous donnons une vision globale des syst mes de repr sentation de connaissances Apr s un survol de l volution de l intelligence artificielle et une pr sentation de certaines notions de base nous d crivons les diff rentes techniques de repr sentation et leurs m canismes de raisonnement Dans le deuxi me chapitre nous pr sentons le cadre dans lequel s inscrit notre mod le les repr sentations 18 objets ayant deux types d objets les classes et les instances Nous d crivons ici les diff rents l ments qui caract risent une telle repr sentation puis nous analysons le probl me du multi h ritage dans les RCO Enfin nous situons ce type de syst mes par rapport aux langages objet aux mod les de prototypes et aux langages terminologiques Le chapitre trois est d di la notion de perspectives Apr s une r flexion sur les diff rentes interpr tations que l on peut accorder ce terme nous d crivons diverses fa ons de mod liser les perspectives dans les repr sentations objets Le m canisme de classification est abord dans le chapitre quatre Les op rations principales de tout algorithme de classification sont l appariement et le parcours du graphe de classes Ces proc dures d pendent de la s mantique donn e aux l ments de la repr
105. plus les connecteurs logiques et les quantificateurs permettent une riche description du monde et les inf rences faites avec la logique du premier ordre sont correctes compl tes et fond es STI amp 89 Inconv nients Malgr ses avantages la logique pr sente de gros inconv nients qui ont ralenti son utilisation dans les syst mes intelligents D une part la repr sentation d objets complexes est difficile et peu naturelle En effet un objet est d crit par son nom qui ne porte pas d information sur son sens et sa structure Les composants propri t s et relations des objets sont eux aussi d crits par des noms Ces l ments sont li s entre eux et avec l objet par des formules logiques Comme l ensemble des formules de la base n a pas de structure la connaissance d un objet est diss min e dans des formules diff rentes non organis es Il y a donc une grande distance entre le mod le et les l ments du monde qui complique l acquisition de connaissances la compr hension et la modification de la repr sentation et la v rification de sa coh rence D autre part les m canismes de raisonnement utilisent des algorithmes g n raux qui ne sont pas toujours assez efficaces pour la r solution de probl mes n cessitant un grand volume de connaissances Enfin la logique des pr dicats du premier ordre ne permet pas de repr senter des connaissances incompl tes ni des exceptions 1 3 2 Syst mes a base de r g
106. questions sur les attributs des points de vue principaux afin de pouvoir faire descendre l instance dans ces points de vue Si l information des attributs des points de vue principaux ne suffit pas classer compl tement l instance le programme demande l utilisateur des valeurs des attributs des points de vue auxiliaires il ne demande jamais des informations propres aux points de vue cach s Ainsi on a Les points de vue principaux Les points de vue principaux sont les points de vue dans lesquels l utilisateur veut faire la classification et qu il conna t le mieux Ce sont des points de vue prioritaires au sens o le syst me va essayer tout moment de continuer la descente de l instance dans l un d entre eux Ces points de vue seront not s PVp1 PVpnl Les points de vue auxiliaires Les points de vue auxiliaires sont des points de vue moins connus par l utilisateur Lorsque la descente de l instance dans les points de vue principaux s av re bloqu e le syst me essaie de descendre l instance dans l un des points de vue auxiliaires pour reprendre ventuellement par une passerelle si elle existe l un des points de vue principaux pour suivre la classification tant donn que la classification dans un point de vue auxiliaire n a pas d int r t en soi l algorithme de classification rend inactifs les Ce passage d un tat stable un autre tat stable o
107. qui partir d un tat instable une instance d un concept qui ne satisfait plus les types de ses classes s res r tablit la stabilit de la base en mettant jour la liste des plus petites classes s res de l instance Par la suite nous allons expliquer la relocalisation d une instance dans un point de vue instable puis les r percussions de cette relocalisation dans les autres points de vue par l activation ou la d sactivation des passerelles 246 Relocalisation dans un point de vue Dans les points de vue o des plus petites classes s res ont t remises en cause par la modification de l instance le syst me doit faire une relocalisation en remontant l instance jusqu la nouvelle plus petite classe s re puis en la descendant le plus bas possible partir de cette classe Fig 8 1 remont e descente C14213 C14213 PVx Etat instable PVx Nouvel tat stable Fig 8 1 Relocalisation d une instance I l int rieur d un point de vue I ne satisfait plus les contraintes de sa plus petite classe s re C14213 alors elle est remont e le long de ses classes d appartenance jusqu la premi re classe pour laquelle elle satisfait les contraintes C1 puis elle est redescendue par classification vers sa nouvelle plus petite classe s re C1522 Par la suite nous allons d crire la remont e de l instance dans un point de vue sans prendre en compte les passerelles dans la partie
108. reconna tre un certain nombre de discontinuit s vitales au moins tre capable de distinguer ce qui est comestible de ce qui ne l est pas L activit classificatoire repr sente la condition minimale de l adaptation VOG88 Introduction Nous avons vu auparavant que la connaissance peut tre repr sent e avec diff rentes techniques telles que les r gles de production les sch mas ou les r seaux s mantiques et que pour chacun de ces types de repr sentation il existe des m canismes de raisonnement sp cialement adapt s la d duction par modus ponens pour la logique le raisonnement hypoth tico d ductif pour les r gles de production l analogie pour les repr sentations par prototypes etc Pour les repr sentations objets le m canisme d inf rence le plus adapt est la classification La classification n est pas seulement une des activit s les plus puissantes du raisonnement humain mais aussi un m canisme fondamental d inf rence CLA85 Ce m canisme est sp cialement adapt aux repr sentations a objets En effet la structuration de la connaissance en classes sous classes et instances favorise l utilisation de la classification pour r cup rer les connaissances implicites des relations entre une nouvelle situation et des situations d ja connues Le terme classification a t utilis pour d signer trois types de m canismes e la cat gorisation c est dire le regroupement d obj
109. se d exclusivit des classes sceurs Si parmi les classes marqu es il y a des extr mit s de passerelles les marques sont propag es aux autres points de vue par le m canisme de propagation de marques pr sent dans 6 3 5 La classe Ci est marqu e comme sire et est reconnue comme la plus petite classe s re du point de vue C min PVi Si PVi est un point de vue principal il est au d but en tat actif pour les points de vue auxiliaires ou cach s le syst me compte le nombre de passerelles actives Npass PVi si Npass PVi 0 l tat de PVi est inactif sinon il est actif Comme point de vue courant PV actuel le syst me prend au d part le premier point de vue de la liste des points de vue principaux PVp1 Cp1 devient la classe courante C actuelle Fig 6 11 Taille PV2 Localisation PVI Instance Chez Dugand PVI PV2PV3 Quartier latin I moule typ dom sauf card PV actuel Fig 6 11 Supposons par exemple que l on souhait classer l instance Chez Dugand du concept Appartement pour laquelle on ne connait que la cl et que les points de vue Localisation et Financier sont des points de vue principaux et Taille est un point de vue auxiliaire La classification commence par le point de vue Localisation et l instance et le I moule sont initialis s de fa on satisfaire invariant 195 6 3 2 Condition de terminaison de la boucle de classification Le programme peut ter
110. sentent les diff rentes perceptions qu un observateur peut avoir de l environnement en fonction de sa position dans l espace Ces perspectives sont unifiables par des transformations spatiales Cette interpr tation spatiale des perspectives est tr s utilis e dans les syst mes de perception MIN75 Dans d autres domaine de I I A qui n cessitent de la repr sentation de grandes bases de connaissances les perspectives servent a mod liser les divers domaines de connaissances pr sents dans la base En effet la construction d une telle base doit prendre en compte le point de vue d observateurs de domaines divers sur les objets du monde un objet de l univers tant une entit tr s complexe l utilisateur doit faire un choix sur les attributs et relations qu il va mod liser dans sa repr sentation Les perspectives apparaissent ici comme les points de vue des observateurs des diff rentes disciplines regardant un m me objet Par opposition a l approche pr c dente les observateurs regardant un m me objet peuvent voir des attributs diff rents selon leurs int r ts pour un attribut commun ils vont tous voir la m me valeur Ainsi le cube de l exemple peut tre regard par un math maticien et par un peintre le premier regardera les propri t s g om triques tandis que le deuxi me peut tre plus int ress par la combinaison des couleurs des faces Fig 3 3 L1 i L2 4 O math maticien s coule
111. son nom chaine de cardinalit 1 son pr nom et sa nationalit les deux d crits par une cha ne de cardinalit plus grande ou gale 1 Personne gt PRIMITIVE AND ALL nom chaine ATMOST nom 1 ATLEAST nom 1 ALL pr nom chaine ATLEAST pr nom 1 ALL nationalit chaine ATLEAST nationalit 1 La relation d ordre entre cat gories est la subsomption Cette relation peut tre d finie au niveau ensembliste C subsume D D lt C si l ensemble d individus d not s par C contient l ensemble d individus d not s par D 1 3 5 ou bien au niveau structurel C subsume D si la description de D restreint celle de C les quatre sortes de restrictions possibles sont d crites dans 1 3 5 Bien que la subsomption extensionelle fournisse la s mantique de la relation de subsomption c est la subsomption structurelle qui est utilis e dans les algorithmes de classification Graphe de subsomption de concepts La base de connaissances des logiques terminologiques comporte les descriptions des diff rents concepts du domaine Ces concepts sont comparables par la relation d ordre d crite pr c demment la subsomption Les relations de subsomption entre concepts peu vent tre donn es explicitement dans la base ou bien tre laiss es implicites Ainsi on peut avoir pour tout couple de concepts plusieurs impl mentations Fig 4 6 a a 4 6 f BAA amp 92 a Toutes les relations de subsomptio
112. subsume pas c la comparaison avec x est inutile et elle n est pas faite L am lioration dans le calcul des SPG se fait en r duisant l espace de recherche initial aux concepts qui sont des successeurs de tous les pr d cesseurs directs de tous les l ments de SPS car c est seulement parmi eux que se trouvent les successeurs directs de c Bien que la complexit de ces deux derni res m thodes dans le pire des cas reste gale a O n en pratique l algorithme est nettement plus efficace NEB90 Pour le calcul des SPS l espace de recherche de ces trois m thodes est toute la base en partant de la racine THING Or seuls les sous graphes des concepts primitifs apparaissant dans la description du nouveau concept sont concern s par sa classification En effet tout concept non primitif subsum par un concept primitif doit avoir dans sa description normalis e une r f rence explicite ce concept primitif il doit tre parmi ses concepts primaires ainsi si un concept primitif ne fait pas partie des concepts primaires du concept classer ni ce concept primitif ni ses successeurs ne sont pas des pr d cesseurs de c Une m me analyse est valide pour le calcul des SPS Ainsi une derni re am lioration des algorithmes consiste normaliser le concept classer et r duire l espace de recherche aux graphes de ses concepts primaires Appariement entre deux concepts L appariement dans la classification de concepts est
113. suivante nous reprenons cette remont e pour y ajouter les propagations activations et d sactivations des passerelles trouv es sur le chemin de la remont e Soit a l attribut modifi de l instance Z vO son ancienne valeur dans Z et v sa nouvelle valeur enfin soit C_minO la plus petite classe s re de l instance avant la modification de a dans le point de vue en question Alors la remont e de J est n cessaire lorsque v ne satisfait pas le type de a dans C_min0 La remont e de I se fait en suivant le chemin de ses sur classes s res partir de C_minO jusqu la premi re classe Cs du chemin pour laquelle v satisfait son type pour a Toutes les classes entre C_min0 et Cs sans inclure cette derni re sont marqu es comme des classes impossibles pour J Etant donn que l attribut qui a d clench la remont e est l attribut a seul le type de cet attribut peut faire changer la marque s re d une classe pour la marque impossible ainsi lors de la remont e seul le type de a est concern Comme nous avons expliqu auparavant 5 6 4 les types des attributs des classes sont structur s dans un graphe de types chaque n ud du graphe a un type normalis et une r f rence vers la premi re classe en partant de la racine qui a ce type De plus chaque classe a pour chacun de ses attributs une r f rence son type normalis Fig 8 2 L algorithme de remont e parcourt ce graphe de types en partant du type de
114. travail nous nous r f rons l intelligence artificielle sous cette deuxi me acception Les premiers syst mes d intelligence artificielle voient dans la vitesse de calcul et les capacit s de stockage des ordinateurs une possibilit de reproduire dans un syst me tous les processus cognitifs de l homme l aide d algorithmes g n raux Ces syst mes g n raux s av rent irr alisables cause de l norme quantit d information qu ils n cessiteraient et l inefficacit des algorithmes g n raux pour r soudre des t ches complexes particuli res Des syst mes suivants sp cialisent les m canismes de raisonnement selon le type de probl me r soudre diagnostic planification etc et traitent des probl mes des domaines de connaissances bien d limit s m decine planification math matique dans ces syst mes le raisonnement n est pas pr d fini la plupart sont des syst mes d claratifs c est dire des syst mes qui s parent la repr sentation de la connaissance tant du domaine que du probl me et des strat gies de solution de la manipulation de cette connaissance le raisonnement 24 Bien qu un des buts principaux d un syst me intelligent soit l aide la r solution de probl mes complexes la solution obtenue ainsi que le raisonnement suivi doivent tre explicables l utilisateur une bonne explication rend cr dible la r ponse informe l utilisateur des m thodes et
115. tre sp cialis e en divers unit s telles que Maitre conf rences Professeur Assistant Art Science Pures etc L unit individuelle Paul est un employ qui selon la perspective Assistant est un assistant de classe A et selon la perspective Art est un enseignant de Peinture Fig 3 8 SCIENCES PURES SCIENCES SOCIALES lt SELF a employe gt i ASSISTANT ARTS lt SELF gt a employe with prevean Paul Assistant UNIT specialization lt classe a Cla gt Je S Saai E Paul UNIT Individual nom Ricaud Paul Employe UNIT Basic lt SELF gt lt prenom gt a string lt nom gt a string MAITRE CONF a assistant with asse a Arts with domaine y intu Fig 3 8 Les perspectives dans KRL sont repr sent es au niveau des instances Une instance est li e 4 son unit de base et a ses perspectives Les attributs h rit s de chacune de ces unit s sont organis s dans des groupes d attributs Dans l unit individuelle qui repr sente Paul les attributs sont group s selon la perspective partir de laquelle ils d crivent l objet Cette id e de grouper les attributs d une instance a t tendue a des domaines bien diff rents tels que le d veloppement de programmes dans PIE BOB amp 80 et la linguistique dans le syst me OWL IT MAR79 OWL ajoute au mod le de KRL la possibilit de changer la pe
116. tx Le sch ma d une telle classe est crit dans TROPES par classe C D PV sorte de D ac G11 d12 acx dx1 dx2 o la description tj de l attribut i est donn e en termes des descripteurs di1 dj2 qui le d crivent Par exemple la classe racine Locataire du concept Locataire du point de vue Financier est d crite par les attributs profession activit tudiant travailleur 299 ch meur ou retrait et revenus_annuels La classe Travailleur du point de vue Financier du concept Locataire peut tre d finie partir de la classe racine Locataire un travailleur est un Locataire dont l activit ne peut tre que travailleur Fig 5 17 classe Locataire Locataire Financier profession un cha ne activit un chaine domaine tudiant travailleur ch meur retrait R revenus_annuels un r el L identification compl te de la classe D est C D PVi mais le nom du concept et celui du point de vue restent implicites quand il n y a pas d ambiguit 165 classe Locataire Travailleur Financier sorte_de Locataire activit domaine travailleur Fig 5 17 La classe Travailleur du point de vue Financier du concept Locataire est sous classe de la racine dont elle h rite les attributs profession activit et revenus_annuels et leurs restrictions 5 5 2 Description compl te d une classe Le sch ma d une classe montre d u
117. type de la nouvelle classe avec le type courant de l instance La seule diff rence dans la d marche de la classification avec des hypoth ses d appartenance et la classification normale est que la premi re garde l information de la classification s re obtenue avant l mission d hypoth ses puis cr e une copie de l instance avec un statut hypoth tique et classe cette instance hypoth tique avec le m me algorithme de classification normale Une hypoth se sur une classe d appartenance d une instance hypoth tique est par sa nature d pendante des hypoth ses pr c dentes La gestion des modifications des hypoth ses d appartenance se fait par relocalisation de l instance en la remontant dans les diff rents points de vue Cette relocalisation utilise l algorithme de relocalisation_possible qui prend en charge la propagation des marques lorsqu une marque s re devient possible 8 1 1 8 3 Classification d objets composites Un objet composite en TROPES est une instance ayant des attributs de nature composante La relation entre les composants parties et l objet est une relation de d pendance exclusive et existentielle 2 5 1 La d composition d un objet peut tre multiple dans diff rents points de vue et imbriqu e les composants peuvent tre des objets composites elle peut alors tre vue comme une for t d arbres de d composition 5 8 Le but de la classification d un objet composite
118. un graphe de descriptions formalisables en termes de la logique des pr dicats Son raisonnement est bas sur la structure taxinomique de la connaissance et sur des strat gies de d duction logique 100 Une des premi res r f rences au terme perspective se trouve dans le travail de Minsky MIN75 Minsky introduit le concept de perspective avec une connotation spatiale Pour lui un objet peut tre vu par des observateurs diff rents a partir de diff rents points de vue ces observateurs regardent tous les m mes attributs mais chacun peut les voir avec des valeurs diff rentes selon son propre point de vue Bien que diff rentes ces valeurs sont unifiables par des op rations de transformation spatiale Un objet est repr sent sous la forme d un tableau de sch mas chaque sch ma repr sente la perception qu un observateur a de l objet repr sent en fonction de la localisation spatiale de cet observateur Un point de vue est li aux autres points de vue par des op rations de transformation de l objet Ainsi par exemple les observateurs d un cube regardent tous les faces du cube mais ils les voient de fa ons diff rentes selon leurs points de vue Fig 3 2 L approche spatiale de cette vision vient du fait que l int r t principal de Minsky tait le raisonnement dans un syst me de perception ou de vision par ordinateur cube pli a n 2 2 2 Ef amp Fig 3 2 Les perspectives de Minsky repr
119. un point de vue D concept 2 appartement C o A Instance du concept visible dans tous les points de vue Fig 5 7 Un concept est structur en points de vue chaque point de vue d termine un sous ensemble d attributs du concept et une structure de sp cialisation de classes une instance du concept est visible depuis tous les points de vue 5 3 1 Attributs visibles depuis un point de vue Un concept repr sente une famille d objets ayant des caract ristiques communes Un point de vue du concept refl te un int r t particulier dans l observation des objets de ce concept et de leurs caract ristiques chaque point de vue consid re un sous ensemble de ces caract ristiques Ainsi dans TROPES de chaque point de vue seuls les attributs qui ont un sens pour ce point de vue sont visibles ce sont les attributs visibles pour le point de vue Les instances du concept sont partiellement visibles depuis tous les points de vue pour que tout point de vue ait une identification compl te des instances du concept il doit pouvoir connaitre les attributs cl s du concept ces attributs doivent donc faire partie des attributs visibles de tous les points de vue Les autres attributs du concept sont visibles pour les points de vue qui par leur nature s y int ressent Ainsi pour le concept Appartement de notre exemple le point de vue Taille contient les attributs qui concernent la conception l architecture et la distrib
120. un probl me on fait une abstraction du monde en faisant r sortir les aspects et les l ments pertinents du probl me et en omettant tous les autres La repr sentation produite est en g n ral incompl te Pouvoir omettre des connaissances et raisonner avec une repr sentation incompl te est une des possibilit s importantes des syst mes a base de connaissances LEV amp 87 1 2 4 Le raisonnement Le raisonnement tel qu on le comprend en I A concerne la manipulation de la connaissance d j acquise pour produire une nouvelle connaissance Pour un syst me intelligent le raisonnement est en g n ral dirig par un but que l on veut atteindre pour r soudre un probl me ainsi les m canismes de raisonnement dirig s par un but ne d duisent pas toutes les connaissances mais seulement les connaissances int ressantes pour le but Diff rents m canismes de raisonnement sont utilis s en I A pour produire des connaissances nouvelles A nsi un syst me peut s appouyer sur un 28 raisonnement logique qualitatif par classification par analogie par exemples par contraintes par r futation par induction par abduction etc HAT amp 91 Lorsqu on travaille avec des connaissances coh rentes et compl tes le raisonnement consiste a rendre explicites des connaissances qui sont implicites dans la base c est le cas des systemes de logiques monotones qui raisonnent par d duction Or dans la plupart de situations
121. une instance I comme membre d une classe C l appartenance de I la 173 classe C est une condition suffisante pour qu elle satisfasse le type de la classe les contraintes de ses attributs Appartenance d une instance une classe Pour qu une instance puisse tre rattach e une classe sa valeur doit satisfaire le type de la classe Une instance satisfait le type d une classe si les valeurs de ses attributs satisfont les types de ces attributs pour la classe Pour rattacher une instance incompl tes une classe le syst me doit pouvoir garantir que les attributs inconnus satisfont aussi le type de la classe Ce cas se pr sente lors de la cr ation d une instance incompl te cas pr sent pr c demment et dans certains cas lors du d placement d une instance I d une classe C vers une sous classe C de C En effet si pour un attribut att du concept l instance a la valeur inconnue et la classe C ne contrainte pas le type de cet attribut dans C alors on sait que l instance valide les contraintes de att dans C car elles sont les m mes qu elle validait pour C En g n ral on peut dire qu une instance appartient une classe relation d appartenance s re si et seulement si pour tout attribut de la classe soit elle poss de une valeur valide soit elle poss de la valeur inconnue 1 mais que l on sait qu elle satisfait le type de cet attribut pour la classe Si une des valeurs
122. vue ponctuelles et formellement d finies Enfin pour les objets composites le mod le manipule une s mantique unique de la relation de composition garantissant ainsi la validit des inf rences Bibliographie CAP amp 93 CAPPONI C CHAILLOT M Construction incr mentale d une base de classes correcte du point de vue des types Actes Journ e Acquisition Validation Apprentissage Saint Rapha l 1993 CAR85 CARDELLI L Typechecking Dependent Types and Subtypes in Foundations of Logic and Functional Programming Workshop LNCS vol 306 Springer Verlag pp 44 57 1985 CAR amp 85 CARDELLI L WEGNER P On Understanding Types Data Abstraction and Polymorphism ACM Computing Surveys vol 17 n 4 pp 471 522 d cembre 1985 CAR amp 91 CARDELLI L MITCHELL J Operations on records Mathematical Structures in Computer Science vol 1 n 1 pp 3 48 1991 MAR89 MARINO O Classification d objets dans un mod le multi points de vue Rapport DEA d informatique INPG Grenoble 1989 MAR amp 90 MARINO O RECHENMANN F UVIETTA P Multiple perspectives and classification mechanism in object oriented representation in Proceedings of the 9th ECAI Stockholm pp 425 430 1990 MAR91 MARINO O Classification d objets composites dans un syst me de repr sentation de connaissances multi points de vue RFIA 91 Lyon Villeurbanne pp 233 242 1991 NEB91 NEBEL B Terminological cycles Semantics and computationa
123. 1 8 Algorithme de Classification ss it ne S RE iat ete navn aie nn se 223 7 25 Complexit de l lsonthme ss rss ste St RU et nt nn ten nn en nos tnt 224 7 2 1 Complexit de la validation du type d un attribut escssseccessessestecsssseccsssseesnsesessnessesseesssnseessseeeese 225 Validation du d scripteur d ty Pe viiss f sssciisssesesecsseseassicbssivosateesennd dosveanssvesusestensdossecveabocsesseavcatteasscnstoeasesscai asenetvess Validation du domaine niseni nt nn staal mt rt ts T22 Complexit de la proc dure d obtention d information ies 7 2 3 Complexit de la proc dure d appariement seen semer 7 24 Complexit de la proc dure de propagation de Marque ie 232 Propagation l int rieur d un point de vue Propagation par les pass rell ssssssennhinnnedennnnennnnimmne nement 7 2 5 Complexit de la proc dure de mise JOUT ner 237 7 2 6 Complexit de la proc dure du choix du prochain point de Vue wc eesssesccsseecsssseessssessssseesenseesssnsesssneseese 239 127 Complexit totale de l algorithme de classification sun 239 Propagation de toutes les passerelles d s le d but 240 Propagation de toutes les passerelles la fin oa naines 240 On CU SLOM nn nn nr en AN E E E dt eu RE 242 BiDNOSTape sa cesssissscsscksasvsisvasoesszacostvedscusaanesouecstdtatsasssvatena EEEE ET S E 242 212 Chapitre 7 Correction et complexit Introduction Dans le chapitre pr
124. 2 pp 171 216 1985 CAR89 CARRE B M thodologie orient e objet pour la repr sentation des connaissances Th se Laboratoire d Informatique Fondamentale de Lille 1989 CHO amp 88 CHOURAQUI E DUGERDIL Ph Conflict Solving in a Frame like Multiple Inheritance System ECAI Munich pp 226 232 1988 93 COI87 COR86 DAH amp 66 DAV87 DUC88 DUC amp 89 DUC93 DUG88 DUG91 ESC amp 90 FER84 FER88 FIK amp 85 FOR amp 89 FOX amp 86 GOL amp 83 GRA88 KAY88 KIM amp 89 KIM amp 89 LIE8 1 McCAR80 McGRE amp 91 COINTE P Meta classes are First Classes The ObjVlisp Model In Proceedings of the 2nd OOPSLA Orlando Florida pp 156 167 1987 CORDIER M O Informations incompl tes et contraintes d int grit le moteur d inf rences Sherlock Th se d Etat Universit de Paris Sud Centre d Orsay 1986 DAHL O J NYGAARD K SIMULA An ALGOL Based Simulation Language Communication of the ACM vol 9 n 9 pp 671 678 1966 DAVIS H E VIEWS Multiple Perspectives and Structured Objects in a Knowledge Representation Language Bachelor and Master of Science Thesis MIT 1987 DUCOURNAU R YAFOOL Version 3 22 Manuel de r f rence SEMA METRA Montrouge 1988 DUCOURNAU R HABIB M La Multiplicit de l h ritage dans Les Langages Objets TSI vol 8 n 1 janvier pp 41 62 1989 DUCOURNAU R H ritages et r
125. 2 6 Comparaison avec d autres approches 87 2 6 1 Repr sentation objets langage orient objets 88 2 6 2 Approche classe instance approche par prototype ss 89 2 6 3 Mod le classe instance logique terminologique ner 91 Conclusion BHO Tape esis AS RS NA CA AU PC A A 93 58 Chapitre 2 Repr sentation de connaissances objets La philosophie travers de nombreuses discussions sur la nature a toujours montr l importance de l tre notion essentielle pour la compr hension de la philosophie occidentale A l encontre de la logique math matique moderne la conception objet consid re que la mise en relation est secondaire par rapport la pr minence de la chose et de ses propri t s BAR amp 91 Introduction Les syst mes de repr sentation de connaissances objets RCO sont des mod les d claratifs construits autour de la notion d objet Apparemment simple le terme objet a t assimil diff rentes notions comme celles de concept description ensemble et prototype Chacune de ces interpr tations a des cons quences sur la s mantique des liens inter objets et sur le raisonnement que l on peut faire avec la repr sentation Notre travail est bas sur l approche classe instance dans laquelle une base de connaissances a deux types d objets les classes qui repr sentent un ensemble d individus et qui sont d crites par un sch ma d attributs
126. 259 269 octobre 1992 BORGIDA A BRACHMAN R J McGUINNESS D L RESNICK L A CLASSIC A Structural Data Model for Objects in Proceedings of the ACM SIGMOD International Conference on Management of Data Portland Oregon mai juin 1989 BORGIDA A BRACHMAN R J Customizable Classification Inference in the ProtoDL Description Management System in Proceedings of the Conference on Information and Knowledge Management Baltimore pp 1 9 novembre 1992 BUISSON L Le raisonnement spatial dans les syst mes base de connaissances Application l analyse de sites avalancheux Th se d informatique UJF Grenoble 1990 CAPPONI C CHAILLOT M Construction incr mentale d une base de classes correcte du point de vue des types Actes Journ e Acquisition Validation Apprentissage Saint Raphael 1993 CARDELLI L A semantics of Multiple Inheritance LNCS vol 137 Springer Verlag pp 51 67 1984 CARDELLI L Typechecking Dependent Types and Subtypes in Foundations of Logic and Functional Programming Workshop LNCS vol 306 Springer Verlag pp 44 57 1985 CLANCEY W J Heuristic Classification Artificial Intelligence Journal vol 27 n 4 1985 CAYROL M FARRENY H PRADE H Fuzzy Pattern Matching Kybernetics vol 11 pp 103 116 1982 FININ T W Interactive Classification A Technique for Acquiring and Maintening Knowledge Bases in Proceedings of the IEEE vol 74 n 10 pp 1414 1421 octobre 1986 GENNARI J
127. 3 8 2 Classification hypoth tique SE DS PIE 253 8 2 1 Hypoth ses sur les valeurs d attributs nn 253 Fly potheses ind pendantes ss tu nn tt Re nr Sedat sn en er EEES 254 Hypoth ses d pe d ntes nt hante n a tcl et td Ml sit 254 8 2 2 Hypoth ses sur les classes d appartenance een rene 257 8 3 Classification d objets COMPOSITES oc ecsssesssssecssssessssssseseesssseessssesssssecsssseccsnsecssssesssssesssssessuesessuecessuessssnesesseeessanensees 257 8 3 1 Obtention d information 8 3 2 App riementi ste net antenne end na NN 8 3 3 Exemple de classification d un objet composite inner 259 Conclusion B DMO STAPH SRE CRE SLR SE A RE ER ee hE TETE ER En eal 261 244 Chapitre 8 Extensions de la classification Introduction Dans le chapitre pr c dent nous avons d crit l algorithme de classification d instances du mod le multi points de vue TROPES Dans ce chapitre nous pr sentons des extensions de cet algorithme afin de prendre en compte l aspect volutif d une base de connaissances l incompl tude de la connaissance et enfin la complexit des objets du monde repr sent partir de ces trois aspects nous allons d crire ici trois extensions de l algorithme de classification la relocalisation d instances la classification hypoth tique d instances et enfin la classification d objets composites La relocalisation d instances concerne la reclassification d une i
128. 5 Les classes dans la hi rarchie d un point de vue sont li es par le lien de sp cialisation sorte de qui correspond l inclusion ensembliste 2 2 5 Une classe appel e sur classe est sp cialis e dans des classes plus restrictives ses sous classes qui repr sentent des sous ensembles d instances de l ensemble repr sent par la sur classe La relation de sp cialisation est transitive une classe est sous classe de la classe qu elle sp cialise sa sur classe directe mais aussi des sur classes de celle ci Le graphe de classes d un point de vue d un concept a une structure d arbre 2 3 4 La classe racine de l arbre repr sente l ensemble universel des instances du concept elle n a pas de sur classes Toutes les autres classes de l arbre de sp cialisation ont une seule sur classe directel Ainsi les classes d un concept sont organis es dans un for t d arbres chaque arbre correspondant un point de vue sur le concept ces arbres ont tous comme classe racine une classe qui repr sente tous les individus du concept et qui poss de en g n ral le nom du concept Fig 5 9 De plus on suppose que les classes d un m me niveau d un arbre d crivent des ensembles d individus mutuellement exclusifs Ra ine sorte de Classe Point de vug PRE Concep Instance Fig 5 9 Un concept TROPES est structur selon diff rents points de vue chacun organis dans un arbre de sp cialisation de c
129. 5 n 2 pp 29 36 1984 PATEL SCHNEIDER P F QWSNICKI KLEWE B KOBSA A GUARINO N MAC GREGOR R MARK W S MC GUINNESS D L NEBEL B SCHMIEDEL A YEN J Term Subsumption Languages in Knowledge Representation Workshop of TSL 89 AI Magazine vol 11 n 2 1990 PEIRCE C S The Collected Papers of Charles Sanders Peirce vol 3 C Hartsborne and P Weiss eds Harvard University Press Cambridge Mass 1931 1935 QUILLIAN MR Semantic Memory in Semantic Information Processing M Minsky d MIT Press Cambridge MA pp 227 270 1968 RAPHAEL B SIR A Computer Program for Semantic Information Retrieval in Semantic Information Processing M Minsky d MIT Press Cambridge MA pp 33 135 1968 RECHENMANN F SHIRKA syst me de gestion de bases de connaissances centr es objet Manuel d utilisation Grenoble 1988 REITER R On Close World Data Base dans Logics and Data Bases Gallaire et Minker d Plenum Press New York pp 55 76 1978 REITER R A Logic of Default Reasoning Artificial Intelligence n 13 pp 81 131 1980 ROUSSEAU B Vers un environnement de r solution de probl mes en biom trie Apport des techniques de l intelligence artificielle et de l interaction graphique Th se de doctorat Universit Claude Bernard Lyon 1 Lyon 1988 SCHANK R C Computer Models of Thought and Janguage San Francisco Freeman 1973 SCHUBERT L GOEBEL R CERCONE N The Structure and Organisati
130. A USA 1990 BRA91 BRACHMAN R J LIVING WITH CLASSIC When and How to Use a KL ONE like Language in Principles of Semantic Networks Explorations in the Representation of Knowledge J Sowa d Morgan Kaufman Publi chapitre 14 pp 401 456 1991 BUC amp 78 BUCHANAN B G FEINBAUM E A DENDRAL and MetaDENDRAL Their Application Dimensions Artificial Intelligence n 11 pp 5 24 1978 CAR amp 73 CARBONNELL J R COLLINS A M Natural Semantics in Artificial Intelligence Proceedings of the 3rd IJCAI pp 344 351 1973 CHA amp 85 CHARNIAK E McDERMOTT D Introduction to Artificial Intelligence Addison Wesley d 1985 52 COH amp 84 COL amp 83 COR86 DAV87 DES86 FAH79 FER88 FIK amp 71 FIK amp 85 GEN amp 87 GOO79 HAT amp 91 HEN79 HEW69 KAZ amp 86 KOD86 LIE86 LEV amp 79 LEV amp 87 McCAR80 McCOY85 McGRE88 McGRE91 COHEN B MURPHY G L Models of Concepts Cognitive Science vol 8 n 7 pp 27 58 1984 COLMERAUER A KANOUI H VAN CANEGHEM M PROLOG bases th oriques et d veloppements actuels TSI vol 2 n 4 pp 255 292 1983 CORDIER M O Informations incompl tes et contraintes d integrit le moteur d inf rences Sherlock Th se d Etat Universit de Paris Sud Centre d Orsay 1986 DAVIS H E VIEWS Multiple Perspectives and Structured Objects in a Knowledge Representation La
131. C les sur classes de la classe sont totalement ordonn es de la plus affin e C ala plus g n rale Objet 77 Par exemple soit la hi rarchie suivante o C3 est sous classe de C2 qui est sous classe de C1 une sous classe de la classe Objet Dans Cl on d finit les attributs a et b dans C2 on affine a et dans C3 on d finit c Alors les instances de la classe C3 sont repr sent es par trois attributs l attribut c d fini dans leur classe d appartenance C3 l attribut a h rit de la sur classe C2 et l attribut b h rit de Cl aucun attribut n est h rit de la classe Objet Plusieurs LOO tels quSIMULA et les premi res versions de SMALLTALK GOL amp 83 n offrent que l h ritage simple 2 4 2 H ritage multiple 0 O O 2 Lorsque dans la hi rarchie des classes une classe peut avoir plusieurs sur classes on parle de sp cialisation multiple Le m canisme qui permet d h riter des attributs de ces sur classes dans la sous classe est dit h ritage multiple De m me que pour l h ritage simple le but ici est de partager l information en r duisant la redondance une sous classe en tant que sp cialisation de plusieurs classes h rite de l union des attributs de ses sur classes et peut ainsi partager des informations avec elles STE amp 85 Dans ce type de structure les anc tres d une classe ne forment pas un ordre total mais seulement u
132. C par clatement 7 3 1 Ainsi dans l exemple des voitures si une instance J d automobile a pour l attribut roues la multi valeur R R2 R3 R4 alors v rifier si Z est une automobile classique consiste a v rifier si RZ et R2 les deux premi res l ments de la liste sont des roues_avant_petites et R3 et R4 sont des roues_arri res_grandes Conclusion TROPES est un mod le de connaissances objets multi points de vue fond sur les notions de classe et d instance Il permet la description selon diff rents points de vue d un concept ou famille d objets Une base de connaissances TROPES est structur e en familles d objets de natures diff rentes appel s concepts qui tablissent une partition de l univers de discours Dans TROPES chaque concept peut tre vu selon diff rents points de vue Un point de vue d termine un groupe d attributs pertinents du concept et une structuration de la connais sance dans un arbre de classes induit par la relation de sp cialisation sorte de Les points de vue permettent ainsi de repr senter le caract re multidisciplinaire d une base de connaissances plusieurs experts regardant la m me famille d objets Les diff rents points de vue d un concept peuvent tre li s par des passerelles une passerelle indique une relation d inclusion ou l galit ensembliste entre des classes de diff rents points de vue les passerelles tablissent une communication entre le
133. D Denotational Semantics Allyn and Bacon Inc 1986 SMITH E MEDIN D L Categories and Concepts Harvard University Press Cambridge MA USA 1981 STEFIK M BOBROW D G Object Oriented Programming Themes and Variations The A I Magazine vol 6 n 4 pp 40 62 1985 SUSSMAN G J STEELE G S Jr CONSTRAINTS A Language for Expressing Almost Hierarchical Descriptions Artificial Intelligence vol 14 pp 1 39 1980 WEGNER P The Object Oriented Classification Paradigm dans Research Directions in Object Oriented Programming Bruce Shiver Peter Wegner d The MIT Press Cambridge MA 1987 WINSTON M E CHAFFIN R HERRMANN D A Taxonomy of Part Whole Relations Cognitive Science vol 11 pp 417 444 1987 WOODS W A What s in a Link Foundations for Semantic Networks in Representation and Understanding Bobrow D Collins A d Academic Press New York 1975 95 96 Chapitre 3 Perspectives Pers PCH VES sissietevssaiadechesslsiisas seaadectandeusadsaneaessenscicsadatacdadtbiayiaiiasastensheenies dhs sdedeesecededeassasdaasian DO Introduction asen ns nt nt EE AN ren nn nn Diner nine nn rl nn 3 1 Le concept de perspective 3 2 Les perspectives dans les RC O2 en tn nan en nl 102 3 2 1 Repr sentation des perspectives par h ritage multiple emmener 103 3 2 2 KRO an raos dst A RL e EE VEEE A E Mii E lees e iE A a E aa i 104 3 2 3 LOOPS E EEE ENEE EEE EEE EEEE ESE 105 3 2 4
134. Dans le chapitre suivant nous allons montrer comment la notion de point de vue permet d une part de structurer la base de connaissances selon les perspectives des diff rents experts et d autre part de r soudre d une fa on propre le probl me de la sp cialisation multiple Bibliographie BAR amp 91 BARTHES J P FERBER J GLOESS P Y NICOLLE A VOLLE P Objets et intelligence artificielle PRC IA pp 272 325 1991 BOB amp 77 BOBROW D G WINOGRAD T An overview of KRL a Knowledge Representation Language Cognitive Science vol 1 n 1 pp 3 45 1977 BOB amp 80 BOBROW G GOLDSTEIN P Descriptions for a Programming Environment AAAT 80 Standford University CA pp 187 189 1980 BOB amp 83 BOBROW D G STEFIK M S The Loops Manual Programming in LOOPS Xerox Corporation 1983 BOR81 BORNING A The Programming Language Aspects of ThingLab a Constraint Oriented Simulation Laboratory ACM Transactions on Programming Languages and Systems vol 3 n 4 pp 353 387 1981 BRA83 BRACHMAN R J What IS_A is and isn t An Analysis of Taxonomic Links in Semantic Networks IEEE Computer vol 16 n 10 pp 32 36 1983 BRA85 BRACHMAN R J I Lied about the Trees Or Defaults and Definitions in Knowledge Representation The A I Magazine vol 6 n 3 pp 80 93 1985 BRA amp 85 BRACHMAN R J SCHMOLZE J G An Overview of the KL ONE Knowledge Representation System Cognitive Science vol 9 n
135. EMA Group d avoir bien voulu participer ce jury J appr cie sa lecture d taill e de mon rapport et ses critiques tr s enrichissantes Fran ois Rechenmann Directeur de recherche INRIA Je le remercie de m avoir accept e dans son quipe Je tiens lui t moigner toute ma reconnaissance pour le soutien permanent qu il m a manifest Ses commentaires ses critiques et surtout son encouragement dans les moments difficiles m ont permis de mener ce travail son terme Je remercie aussi l INRIA France l Universit des Andes Bogota Colombie et COLCIENCIAS Colombie pour le financement qu ils m ont accord pour finir cette th se Je tiens aussi exprimer toute ma gratitude Patrice Uvietta pour son soutien permanent Plus que les nombreuses corrections de ma th se les suggestions et commentaires je le remercie pour son amiti et ses qualit s humaines qu il met toujours au service des autres Jer me Gensel dont l rudition en fran ais m a permis d enrichir mon vocabulaire de vieille pouille Je n oublierai pas son humour ses jeux de maux les lectures d taill es qu il a fait de ma th se et les pauses caf bref merci Mes remerciements vont aussi aux autres membres du projet SHERPA Claudine M rieux et Mich le San Martin pour leur disponibilit et accueil Jer me Euzenat pour ses critiques toujours pertinentes Bruno Orsier et Mathias Chaillot qui ont adouci mes t
136. Graphs in Proceedings of Declarative Knowledge International Workshop RDK 91 Kaiserlautern Germany juillet 1991 LNCS 567 Springer Verlag 1991 WINOGRAD T Understanding Natural Language New York Academic Press 1972 WOOD W A What s in a Link Foundations for Semantic Networks in Representation and Understanding Bobrow D Collins A d Academic Press New York 1975 WOODS W A Understanding Subsumption and Taxonomy a Framework for Progress in Principles of Semantic Networks Explorations in the Representation of Knowledge J Sowa d Morgan Kaufman Publishing chapitre 1 pp 45 94 1991 55 56 Chapitre 2 Repr sentation de connaissances objets Repr sentation de connaissances objets sessesseesoesocsseesoesoosscesoeccoesoesseesoesocsseesoessessees DO Tri COU CU OM ss toa a E ea E E EN N RR iii E A S EEE AA I 2 1 La notion d objet en informatique 2 2 El ments du mod le classe instance 22 1 E E REE SEET AE EEE E nain diter essaient 2 2 2 ANTDU uation eed Propri t relation composant Attribut propri t Attribut relation Attribut COMPOSANT Attribut mono valu attribut multi valu Sa Sc AE ES 63 2 2 3 Facett matt anal Rte A ren en ne tele EN ins Facette de contrainte ae Fa Cette du typica inst entend nant Facette du domaine Facette contrainte s Fac tte d inf renc de valeurs nea a N A A A A ANE N ROES
137. H LANGLEY P FISCHER D Models of Incremental Concept Formation Artificial Intelligence n 40 pp 11 61 1989 GRANGER C CLASSIC g n rateur de syst mes experts en classification et en diagnostic Manuel de I Utilisateur Ver 2 2 ILOG 1988 MAC GREGOR R M The Evolving Technology of Classification Based Knowledge Representation Systems in Principles of Semantic Networks Explorations in the Representation of Knowledge J Sowa ed Morgan Kaufman Publishing chapitre 13 pp 385 400 1991 MAC GREGOR RM Inside the LOOM Description Classifier SIGART bulletin vol 2 n 3 Special Issues on Implemented Knowledge Representation and Reasonong Systems juin 1991 MAC GREGOR R M BURSTEIN MH Using a Description Classifier to Enhance Knowledge Representation IEEE Expert Intelligent Systems and Applications juin 1991 MAC GREGOR R M BRILL D Recognition Algorithms for the LOOM Classifier AAAI San Jos CA juillet pp 774 779 1992 146 MAR89 MIC amp 86 MIS amp 89 NAP92 NEB amp 89 NEB90 NEB amp 91 PAT amp 91 PIV amp 87 REC88 ROS90 ROU88 SCH amp 83 VOG88 WEG87 WOO91 ZHA91 MARINO O Classification d objets dans un mod le multi points de vue Rapport DEA d informatique INPG Grenoble 1989 MICHALSKI R S STEPP R E Conceptual Clustering Inventing Goal Oriented Classifications of Structured Objects in Michalsky Carbonell e
138. IA 91 Lyon Villeurbanne pp 233 242 1991 NEB90 NEBEL B Reasoning and Revision in Hybrid Representation Systems Lecture Notes in Artificial Intelligence LNCS vol 422 Springer Verlag Berlin 1990 ORS90 ORSIER B Evolution de l attachement proc dural int gration de t ches m thodes et proc dures dans une repr sentation de connaissances par objets Rapport DEA d informatique INPG Grenoble 1990 261 262 Conclusion 263 264 Conclusion Dans ce travail nous nous sommes int ress s au raisonnement classificatoire Ce type de raisonnement consiste classer un objet dans une structure de sp cialisation de cat gories d objets La repr sentation de connaissances base d objets tant une des techniques de repr sentation les plus appropri es pour la classification nous avons aussi tudi les caract ristiques de ce type de mod le Ainsi notre travail a port sur deux aspects diff rents mais fortement li s la repr sentation de connaissances base d objets et le m canisme de classification d instances L tude des repr sentations objets a montr deux probl mes qui affectent aussi bien la repr sentation que la classification e la structuration de toute la connaissance dans un seul graphe et e le conflit d h ritage d la sp cialisation multiple Nous avons d velopp TROPES un mod le de repr sentation de connaissances objets multi points de vue Outre
139. Les deux premi res tapes demandent des parcours du graphe Une premi re approximation est l algorithme de force brute qui parcourt tout le graphe pour chaque tape Pour la premi re tape ce parcours produit l ensemble complet de cat gories plus g n rales qu il doit apr s r duire pour ne garder que les cat gories minimales par rapport la relation d ordre tablie pour la deuxi me tape l algorithme produit l ensemble des cat gories plus sp cifiques qui doit tre r duit apr s aux cat gories maximales Des algorithmes plus labor s parcourent le graphe en profondeur ou en largeur en partant de la racine de plus ils marquent les n uds d j visit s pour ne pas les revoir enfin pour la deuxi me tape ils commencent le parcours partir de l ensemble minimal obtenu dans la premi re tape 1 3 5 4 3 4 Appariement L appariement est l tape principale de la classification c est le processus qui per met de d terminer la relation existante entre une cat gorie C de la base et l objet O classer Pour la classification de cat gories l appariement consiste tablir la relation d ordre entre deux cat gories La classification d instances apparie l instance classer avec une cat gorie de la base pour d terminer la relation d appartenance l appariement ici consiste v rifier la satisfaction des contraintes de la cat gorie par les valeurs de l instance Nous avons
140. Lorsque l on parle d h ritage il faut distinguer deux types d h ritage l h ritage de nom et l h ritage de valeur DUC amp 89 DUC93 Le premier est un h ritage ontologique structurel la sous classe h rite d un attribut pour indiquer que les l ments de cette sous classe ont cet attribut L h ritage de valeur de son c t concerne l h ritage de la valeur d un attribut qui est d j pr sente dans la sous classe Si le premier h ritage concerne toute la structure de facettes de l attribut le deuxi me concerne seulement les facettes de valeur fixe et d faut Par la suite nous allons pr senter le m canisme d h ritage dans une structure arborescente l h ritage simple puis nous allons discuter les divers m canisme d h ritage multiple qui permettent une classes ayant plusieurs sur classes d h riter de leurs attributs Pour cette discussion nous n allons pas faire la diff rence explicitement entre h ritage de nom et h ritage de valeur car les parcours du graphe de classes propos es par ces m canisme servent aussi bien la r cup ration du nom que celle de la valeur d un attribut 2 4 1 H ritage simple Dans le cas o la structure de la base de connaissances est un arbre ou une taxinomie une classe a une seule sur classe directe et on parle d h ritage simple Pour inf rer des attributs d une classe C on suit un parcours lin aire des liens sorte de partir de la classe
141. McGRE91 ou dans SHIRKA REC88 Le parcours du concept a travers des passerelles est tout a fait originale Un prototype de l algorithme de classification multi points de vue ainsi que du mod le de base TROPES ont t d velopp s en CAML COU amp 90 Bien que test e avec des exemples artificiels cette r alisation est une premi re validation du mod le et de l algorithme de classification associ Bibliographie CAP amp 93 CAPPONI C CHAILLOT M Construction incr mentale d une base de classes correcte du point de vue des types Actes Journ e Acquisition Validation Apprentissage Saint Raphael 1993 COU amp 90 COUSINEAU G HUET G The CAML Reference Manual V 2 6 1 INRIA ENS 1990 EUZ93 EUZENAT J Classification dans les repr sentations par objets produits de syst mes classificatoires Rapport interne Equipe SHERPA INRIA 1993 McGRE amp 91 MAC GREGOR R M BURSTEIN M H Using a Description Classifier to Enhance Knowledge Representation IEEE Expert Intelligent Systems and Applications juin 1991 MAR89 MARINO O Classification d objets dans un mod le multi points de vue Rapport de DEA d informatique INPG Grenoble 1989 MAR amp 90 MARINO O RECHENMANN F UVIETTA P Multiple perspectives and classification mechanism in object oriented representation 9th ECAI pp 425 430 Stockholm 1990 NEB91 NEBEL B Terminological cycles Semantics and computational Properties in Principles of Sema
142. OPES qui partitionne la base en familles disjointes appel es concepts et qui permet une vision partielle des objets d un concept selon un point de vue particulier Un point de vue d termine une taxinomie de classes et les attributs du concept qui vont tre visibles sous ce point de vue Les diff rents points de vue peuvent tre reli s par une ou plusieurs passerelles l ment de la repr sentation qui tablit une relation entre des classes de points de vue diff rents En ce qui concerne le m canisme de classification d instance nous proposons une classification multi points de vue pour le mod le TROPES qui profite des originalit s de ce mod le afin d enrichir le r sultat de la classification et tirer le plus grand nombre de d ductions lors de la classification tout en minimisant le nombre de questions pos es Le m canisme de raisonnement que nous avons d velopp sur le mod le TROPES est la classification multi points de vue d une instance Cette classification prend en compte les caract ristiques propres au mod le les familles disjointes les points de vue et les passerelles L espace de recherche de la classification est le concept La classification se d roule en m me temps dans les graphes de classes des diff rents points de vue Enfin les r sultats obtenus dans un point de vue peuvent tre utilis s par un autre point de vue gr ce aux passerelles L algorithme de classification se base sur des principes de
143. PVai la marque s re de B est propag e D Cette nouvelle classe s re dans PVpj est m moris e dans le I moule I reste attach e C jusqu ce que PVpj devienne le point de vue courant Un tat dont les l ments satisfont les relations invariantes est appel un tat stable L algorithme de classification va garantir qu apr s chaque pas de la boucle de classification la base de connaissances soit dans un tat stable 6 3 L algorithme de classification L algorithme de classification repose sur une boucle l instance commence dans un tat initial stable et chaque pas de la boucle de classification passe la base de connaissances d un tat stable Ek un tat stable Ex 1 plus proche du but dans Ek 1 l instance est rattach e aux classes plus sp cialis es que dans Ex Le corps de la boucle comporte cinq pas obtention d information appariement propagation des marques mise a jour de l information et choix du prochain point de vue L algorithme termine fini quand l instance est compl tement class e par rapport l information disponible c est dire quand tous les points de vue sont bloqu es ou bien si l utilisateur d cide de l arr ter Fig 6 10 construire tat_initial 193 tant_que not fini obtenir_information faire_appariement propager_marques mettre_ _jour_l_information choisir_prochain_point_de_vue fin_tant_que Fig 6 10 L algorithme de classification est une
144. Par ailleurs l introduction des points de vue limine les probl mes de multi h ritage d attributs TROPES est dot d un algorithme de classification d instances qui tire parti des originalit s du mod le A l int rieur d un concept la classification se d roule sur un ou plusieurs points de vue et exploite les passerelles comme des raccourcis Mots cl s points de vue repr sentation objets taxinomies classification raisonnement classificatoire raisonnement taxinomique objets composites intelligence artificielle Abstract In a taxonomy knowledge is structured in categories grouping similar objects These cate gories are organized in a specialization graph going from general to more specific classes Taxonomies allow for classification reasoning To reason by classification is to find the more accurate class for an instance and to infer knowledge from this localization Taxonomies developed in areas as different as botanic and mineralogy show the interest of this approach Our work concerns classification reasoning and the taxonomic representation supporting it We chose object oriented representation for it provides the elements required for modeling taxonomies Moreover it is a natural classification framework However these models present two problems on one hand different object families such as cars and persons are represented in a single big taxonomy On the other hand although object featur
145. R81 SUS amp 80 DAV87 Une approche un peu diff rente est celle propos par NAP92 qui d finit la relation de composition partir de la relation plus g n rale de subsomption l Certains syst mes MAR amp 92 consid rent que la composition est une relation r flexive un objet pouvant tre composant de lui m me Nous prenons ici l approche plus courante selon laquelle un objet n est pas composant de lui m me 83 2 5 1 Relation de composition fixe et pr d finie Certains syst mes donnent une s mantique particuli re et unique la relation de composition correspondant la d composition physique d un objet qui entra ne les contraintes suivantes o La d composition d un objet composite forme une structure arborescente c est dire qu un m me niveau de d composition tous les composants sont disjoints L existence des composants d pend de celle de l objet composite d pendance existentielle Un objet ne peut faire partie que d un seul objet composite d pendance exclusive A ce groupe appartiennent entre autres LOOPS BOB amp 83 un langage hybride d objets et de r gles et YAFOOL DUC88 syst me fond sur la th orie des prototypes Ils d crivent l objet composite par des moyens sp cifiques dans LOOPS un objet composite est mod lis par une classe instance de la m ta classe Composite object et ses composants sont repr sent s par les variables d instan
146. R92 BOR92b BOR amp 89 BOR amp 92 BUI90 CAP amp 93 CAR84 CAR85 CLA85 CAY amp 82 FIN86 GEN amp 89 GRA88 McGRE91 McGRE91b McGRE amp 91 McGRE amp 92 BAADER F HOLLUNDER B NEBEL B PROFITLICH H J FRANCONI E An Empirical Analysis of Optimization Techniques for Terminological Representation Systems or Making KRIS get a move on in Proceedings of the 3rd International Conference on Principles of Knowledge Representation and Reasoning KR 92 Cambridge MA pp 270 281 octobre 1992 BOBROW D G WINOGRAD T An overview of KRL a Knowledge Representation Language Cognitive Science vol 1 n 1 pp 3 45 1977 BOBROW D G GOLDSTEIN P Description for a Programming Environment in Proceedings of the AAAI Stanford 1980 BOHM V Mod lisation du raisonnement lectromyographique l aide de la classification Rapport de stage DESS Intelligence Artificielle Universit de Savoie Chamb ry juin 1991 BORGIDA A From Type Systems to Knowledge Representations Natural Semantics Specifications for Description Logics International Journal on Intelligent and Co operative Information Systems vol 1 n 1 World Scientific Publ Singapore 1992 BORGIDA A Towards the Systematic Development of Description Logic Reasoners CLASP reconstructed in Proceedings 3 International Conference on Principles of Knowledge Representation and Reasoning KR 92 Cambridge MA pp
147. TH SE PRESENTEE PAR Olga MARINO DREWS POUR OBTENIR LE TITRE DE DOCTEUR DE L UNIVERSITE JOSEPH FOURIER GRENOBLE 1 ARRETES MINISTERIELS DU 5 JUILLET 1984 ET DU 30 MARS 1992 SPECIALITE INFORMATIQUE Raisonnement classificatoire dans une repr sentation a objets multi points de vue DATE DE SOUTENANCE 4 OCTOBRE 1993 COMPOSITION DU JURY M Yves CHIARAMELLA pr sident M Daniel KAYSER rapporteur M Amedeo NAPOLI rapporteur M Roland DUCOURNAU examinateur M Francois RECHENMANN directeur THESE PREPAREE AU SEIN DU LABORATOIRE LIFIA IMAG A Pierre et mes parents pour leur soutien et leur patience Je tiens remercier Monsieur Yves Chiaramella Professeur l Universit Joseph Fourier de Grenoble de m avoir fait l honneur de pr sider le jury de cette th se Monsieur Daniel Kayser Professeur l Universit Paris Nord pour avoir accept d tre rapporteur de cette th se Je le remercie pour l int r t qu il lui a port e et pour l valuation qu il en a fait Monsieur Amedeo pas Amadeo Napoli Charg de recherche CNRS Docteur d tat du CRIN Nancy qui a accept d tre rapporteur de ce travail Je le remercie aussi pour tout le temps qu il a bien voulu lui consacrer et tr s particuli rement pour l importante bibliographie qu il m a procur e et qui m a permis d avoir une vision globale de l tat de l art Monsieur Roland Ducournau Ing nieur S
148. Xn1 nx est le sous arbre ayant comme racine Xn1 nx Ainsi dans l exemple des matrices la classification de la matrice identit I par rapport au point de vue forme est la classe sym trique X11 Dans ce cas fo 1 1 f 1 1 1 et f1 1 1 0 et la trace de classification de I par rapport forme est A x X X1 X1 1 7 1 4 Syst me de classification Un syst me de classification s x not SC est une paire lt B P gt telle que e B a x A x est un ensemble fini de ACs de l ensemble X e P ensemble de passerelles d fini par une relation binaire sur l ensemble lPar univers d un n ud X on entend l ensemble des instances d crites par X la classe X 216 Us Uisa LU Us am ne mettant pas en rapport deux l ments du m me ensemble Uai 3 B eer i fete Ainsi un couple lt x X gt P i j et B n est pas un prefixe de a est une passerelle allant de Ke vers x 3 B Un syst me de classification correspond un ensemble d arbres de classification et des passerelles donc un concept de la base de connaissances Ainsi par exemple le concept matrice Fig 6 2 peut tre d crit par le syst me de classification lt B P gt o B Al X A2 X A3 X A4 X avec X matrice Al Structure A2 Forme A3 Contenu et A4 Remplissage et P lt Matrice Matrice2 gt lt Matrice2 Matrice gt lt Matrice Matrice3 gt
149. _chimiques Fig 2 1 Un sch ma de classe est une liste d attributs facettes qui repr sente un ensemble d individus ceux qui ont ces attributs et qui satisfont leurs facettes Un attribut repr sente une propri t un composant ou une relation 61 Propri t relation composant Un attribut d une classe repr sente une propri t ou caract ristique une relation ou un composant des objets de la classe Dans l exemple des plan tes l attribut distance_au_ soleil est une propri t tandis que l attribut plan tes_voisines d crit une relation existante entre la plan te et deux autres plan tes du syst me solaire Enfin l attribut l ments peut tre vu comme des composants une plan te est compos e de diff rents l ments chimiques comme hydrog ne carbone etc Fig 2 1 Attribut propri t Une propri t est un attribut intrins que l objet qui fait partie constitutive de l objet et n a de sens qu avec lui Dans l exemple des plan tes les attributs nom distance _au_soleil et dur e d une ann e n ont pas une identit propre ind pendante de l objet Dire 1428 n a un sens conceptuel que lorsqu on l attache la propri t distance_au_soleil de la plan te Saturne En g n ral les propri t s repr sentent des attributs qui prennent leurs valeurs dans des types simples tels que entier cha ne etc Cependant d finir un attribut comme tant une propri t est un cho
150. a cl d un concept Les syst mes base de connaissances doivent pouvoir manipuler des instances ayant des informations manquantes des instances incomplets TROPES offre cette possibilit Cependant une information minimale est n cessaire pour pouvoir raisonner avec l instance pour pouvoir m me l introduire dans la base Cette information minimale doit permettre au syst me de distinguer l instance de toutes les autres instances de son concept Chaque concept TROPES poss de un ensemble d attributs cl s dont l valuation permet d identifier de fa on unique une instance du concept cet ensemble minimal d attributs doit tre valu dans toute instance d un concept pour pouvoir dire qu elle existe dans le concept Ainsi l information minimale associ e une instance est le nom de son concept et les valeurs des attributs cl s de ce concept Pour la base immobili re de l exemple le concept Locataire peut avoir comme attributs cl s le nom complet de la personne et la date_de_naissance un appartement est identifi de fa on unique par l ensemble d attributs cl s adresse tage et num ro Fig 5 6 enfin une agence immobili re peut s identifier par son nom et le nom de la succursale concept Appartement clefs adresse tage num ro points _ de vue Financier Taille Localisation Fig 5 6 La description d un concept comporte son nom la liste des attributs qui forment la cl et
151. a classe C inclut tous les l ments de l intersection de ses sur classes pour appartenir la sous classe il est n cessaire et suffisant d appartenir toutes ses sur classes Dans le treillis pr c dent Fig 2 9 tout l ment de figure plane color e qui est un carr appartient la classe carr color Dans d autres syst mes la sous classe peut avoir des contraintes suppl mentaires tant donc un sous ensemble de l intersection des sur classes c est le cas de la hi rarchie des objets utiles l homme Fig 2 7 o la classe delta_plane d crit un sous ensemble propre des moyens de locomotion a riens utilisant la force olienne cette sous classe n inclut pas des ballons qui utilisent aussi la force olienne pour se d placer dans l air La principale avantage d utiliser une structure de treillis complet pour repr senter une base de connaissances est la prise en compte des propri t s math matiques d une telle structure lors du raisonnement Ainsi par exemple dans un treillis complet de classes une instance a une seule plus petite classe d appartenance Les structures de treillis sont particuli rement utiles lorsque l on veut faire explicites tous les l ments implicites dans une hi rarchie par exemple pour la construction d un graphe de types MIS amp 88 2 3 3 Arbre Une structure d arbre orient est un graphe de classes dans lequel chaque classe a une seule sur classe direct
152. a connaissance est incompl te et que pour pouvoir raisonner avec elle il faut faire des hypoth ses sur les informations manquantes quitte les d faire ensuite Plusieurs th ories de raisonnement hypoth tique telles que la circonscription McCAR80 et les valeurs par d faut REI80 ont t utilis es pour faire des hypoth ses soit sur les valeurs manquantes d une instance soit directement sur sa relation d appartenance une classe COR86 Dans le chapitre 4 nous montrons plus en d tail ces diff rentes interpr tations 2 2 5 Relation de sp cialisation Une classe permet de d crire un groupe d objets semblables cette ressemblance entre les objets d une classe est d autant moins grande que la classe impose peu de contraintes sur les propri t s des objets qui lui appartiennent En effet plus une classe est g n rale moins l information qui constitue le fait d appartenir a cette classe est pr cise ROU88 Pour faire une classification des objets du monde l tre humain part des cat gories g n rales imposant peu de contraintes ces objets et d termine ensuite des sous cat gories plus ou moins sp cifiques en ajoutant de nouvelles contraintes aux contraintes existantes dans la cat gorie g n rale De m me dans les bases de connaissances organis es en classes on a une sp cialisation des classes g n rales en des classes plus sp cifiques ou sous classes La relation entre une sous classe
153. a valeur d un attribut de l instance ne satisfait pas les contraintes tablies pour cet attribut dans la classe le syst me donne la r ponse impossible car on sait que l instance ne peut pas appartenir cette classe m me si elle n est pas compl te Dans ISHIRKA classifie les instances d j incluses dans la base c est dire ayant d j une classe d appartenance initiale 140 l exemple pr c dent Adelscott ne peut pas tre un jus parce que son pourcentage d alcool est 4 et les jus n ont pas d alcool la classe jus est une classe impossible pour l instance Fig 4 12 Adelscott impossible Fig 4 12 Adelscott ne satisfait pas la contrainte de attribut pourcalcool de la classe Jus Si une instance n a pas de valeur pour tous les attributs d finis dans une classe et si les attributs valu s de l instance ne sont pas en contradiction avec la classe on dit que cette classe est une classe possible pour l instance son appartenance ne peut pas tre d termin e pour l instant car il manque des informations Ainsi Adelscott peut tre un cocktail a base de fruits car elle satisfait la condition d avoir au moins 1 d alcool et comme elle n a pas d attributs base ni chaude ces deux attributs ne sont a priori pas en contradiction avec la classe La classe Cocktail a base de fruits est alors une classe possible pour Adelscott Fig 4 13 Cocktail des fruits ba p
154. ablit une classification des employ s selon leurs unit s de travail facult et d partement de l universit Fig 3 4 EMPLOYE SCIENCE SOCIALE EMATIQUE Fig 3 4 Un employ de l universit d pend d un d partement d une facult Par exemple l employ Paul Ricaud donne des cours dans la division peinture de la facult d arts Du point de vue emploi un enseignant peut tre ma tre de conf rences professeur ou assistant Fig 3 5 Un employ par exemple Paul Ricaud assistant d Arts est d crit d une part par ses attributs en tant que assistant assistant de classe A et d autre part par ses caract ristiques en tant que membre de la facult d Arts donne des cours de peinture aux l ves de premi re ann e Ces deux groupes d attributs doivent pouvoir tre manipul s ind pendamment MAITRE CONF Fig 3 5 Un enseignant de l universit peut tre un assistant un professeur ou bien un ma tre de conf rence Paul Ricaud par exemple est un assistant 102 3 2 1 Repr sentation des perspectives par h ritage multiple Les syst mes ne traitant pas les perspectives explicitement mod lisent ce concept par l h ritage multiple Ainsi si toutes les facult s de l universit ont les trois types d enseignants le mod le aura une sous clas
155. aille et le point de vue Financier Le point de vue Localisation distingue les appartements situ s au centre ville de ceux situ s dans des quartiers r sidentiels industriels ou dans la banlieue Dans le point de vue Taille on a des chambres des studios des F1 des F2 des F3 et des appartements de plus de 3 pi ces Enfin pour le point de vue Financier on peut d finir des classes HLM prix moyen haut prix Une instance du concept est visible des trois points de vue et elle est rattach e une classe d appartenance dans chacun des points de vue par exemple un appartement de plus de trois pi ces situ dans un quartier r sidentiel correspond dans le mod le une instance du concept Appartement li e aux classes r sidentiel du point de vue Localisation la classe Plus_de_3 du point de vue Taille et la classe racine Appartement du point de vue financier pour lequel le syst me ne poss de pas d information particuli re Fig 5 10 Appartemen Financier Fig 5 10 Arbres de classes des points de vue Localisation Taille et Financier du concept Appartement et description d un appartement de plus de 3 pi ces dans un quartier r sidentiel pour lequel on n a pas d information financi re 159 5 4 Les passerelles entre points de vue Les diff rents points de vue d un concept produisent des arbres de classes diff rents Cependant ces arbres ne sont pas compl tement ind pendants les uns des autres ainsi
156. aine de valeurs possibles pour l attribut dans cette classe Un m me domaine de valeurs peut tre d crit par diff rentes combinaisons de descripteurs Fig 4 7 Le type d un attribut pour une classe est la forme normale de ces combinaisons de descriptions quivalentes De m me que pour CAP amp 93 la relation de sp cialisation de classes dans TROPES correspond la relation d ordre entre les cat gories d finies par intension 4 3 1 p 88 o la relation de sous typage lt t est d finie comme la relation d inclusion portant sur les domaines d attributs Ainsi par exemple le type de l attribut tage de la classe Appart_bonne_chance du concept Appartement du point de vue Localisation Fig 5 19 est l ensemble de valeurs 0 1 2 3 169 4 5 6 7 8 9 10 11 12 14 15 qui est sous type du type d fini par domaine 0 12 14 16 o le virgule signifie r union et sur type du type d fini par domaine 8 11 5 6 3 Affinement et normalisation d attributs La sp cialisation de classes se r alise en ajoutant des nouveaux attributs la sous classe ou en affinant des attributs d j existants Affiner un attribut ax dans la sous classe C de la classe C consiste ajouter des nouvelles contraintes ax dans C tx de fa on avoir un nouvel ensemble de contraintes t x restreignant les valeurs valides pour l attribut L ensemble des valeurs valides de l attribut affin dans la sous
157. ais plate et l information concernant un objet du monde est parpill e dans les diff rentes r gles qui parlent de cet objet De plus les r gles expriment souvent une connaissance apparente superficielle susceptible d occulter le raisonnement profond de l expert humain HAT amp 91 ce probl me est un sujet de recherche actuel En ce qui concerne le raisonnement la suite d inf rences est difficile suivre lors de la solution d un probl me et la coh rence n est pas toujours facile maintenir Enfin le syst me s av re inefficace pour r soudre les probl mes ayant une s quence pr d termin e d tapes de solution car ils n offrent pas de moyens faciles d int grer des proc dures complexes dans les r gles BAR amp 81 la suite d actions prendre pour impl menter la proc dure peut tre d crite par des m ta r gles mais cette solution est moins efficace qu un programme classique 1 3 3 R seaux s mantiques Les r seaux s mantiques RS ont t mis en uvre par Quillian QUI68 comme un mod le psychologique explicite de la m moire associative humaine la m moire est vue comme un r seau d unit s d information ces unit s sont activ es par un m canisme qui propage des signaux travers le r seau la proc dure d activation En I A le premier syst me utiliser les techniques des RS SIR RAP68 r pond des questions qui demandent un raisonnement simple avec des pr dica
158. aleurs des attributs de l instance Le m canisme par lequel le syst me d cide de l appartenance d une instance une classe la classification d instances est un des m canismes de raisonnement les plus puissants des repr sentations par classes et instances A la diff rence du cas pr c dent dans ce cas si une instance ne satisfait pas la description d une classe on ne peut pas dire qu elle n appartient pas la classe La description d une classe est l ensemble de ses attributs et leur facette le sch ma de la classe 68 Conditions n cessaires et suffisantes La derni re relation pr sente la double implication pour appartenir la classe une instance doit satisfaire sa description et toute instance la satisfaisant est un de ses membres De plus une instance qui ne satisfait pas une partie de la description de la classe n en est pas un membre et aucun l ment qui ne soit pas membre de la classe ne peut satisfaire sa description Bien que tr s peu de syst mes utilisent cette double implication pour toutes les classes de la base certains syst mes des repr sentations objet ayant l approche classe instance l utilisent lorsqu une premi re localisation de l instance dans la base a t faite Comme nous allons voir par la suite 2 3 ces syst mes structurent les classes dans une hi rarchie de sp cialisation Dans cette hi rarchie les sous classes de la classe d appartenance d une inst
159. algorithme de validation doit comparer ici dans le pire des cas la valeur de l instance avec toutes les valeurs de l ensemble donn qu il repr sente les valeurs valides ou les valeurs exclues Donc O dom_mono_non_ordonne O t ou t nombre d l ments explicitement permis ou exclus du domaine dom rouge blanc vee dom d1 d2 dn couleur dom rouge bleu blanc ou sauf bleu dom TOUT sauf s1 s2 sn s b a Fig 7 13 Pour les attributs prenant des valeurs dans les concepts non ordonn s la normalisation construit l ensemble des valeurs permises Attribut multi valu prenant ses valeurs dans un concept ordonn Les cas pr c dents correspondent aux attributs mono valu s Pour les attributs multi valu s l ensemble de multi valeurs listes de valeurs du type peut tre donn soit par sa cardinalit taille maximale d une de ces multi valeurs et par l ensemble de va leurs de base qui peuvent tre pr sentes dans une de ces listes soit par la pr sentation explicite des valeurs multiples permises et exclues ou encore par une combinaison des deux e Dans le premier cas le domaine est exprim sous la m me forme que pour les attributs mono valu s V rifier qu une valeur multiple donn e peut tre construite partir d un domaine de valeurs de base consiste d une part v rifier que la valeur multiple a une 227 taille autoris e et d autre part v rifi
160. alors mange x y Le contexte ou base de faits repr sente l tat actuel des conclusions du syst me c est a dire les faits de d part et ceux d ja inf r s par le systeme Un fait est une proposition vraie Pour la base de r gles pr c dente des faits de d part possibles sont F1 longdent lion F2 mammif re chat F3 mange chat souris Enfin le moteur d inf rence contr le l activit du syst me souvent coupl un module qui explique le raisonnement du syst me Le moteur d inf rence est s par des bases de r gles et de faits son fonctionnement est g n ral et ind pendant de la connaissance stock e dans les r gles M canismes de raisonnement Pour r pondre une question le moteur d inf rence suit un cycle de d tection des r gles applicables de choix de la r gle d clencher et d ex cution de l action associ e cette r gle Fig 1 4 1 D tection des r gles applicables le moteur s lectionne toutes les r gles dont la condition est vraie pour cela il essaie d unifier le cot gauche de la r gle avec les faits du contexte Si le nombre de r gles de la base est lev cette op ration peut tre co teuse pour pallier ce probl me certains syst mes organisent les r gles en paquets que le moteur consid re ou ignore en fonction du contexte et d heuristiques pr d finies Avec les r gles et les faits pr c dents le premier cycle du moteur d inf rence s lection
161. ance tablissent des conditions n cessaires et suffisantes d appartenance pour cette instance Ainsi lorsque l on sait qu une instance appartient une classe soit parce qu elle a t cr e par instanciation de cette classe soit parce que l utilisateur ou un m canisme du syst me assure son appartenance la classe il suffit qu elle satisfasse la description d une des sous classes de cette classe pour qu elle appartienne aussi cette sous classe et de plus si toute instance de cette sous_classe satisfait n cessairement la description de la classe Supposons par exemple que l on cr e explicitement une instance Louise comme tant un membre de la classe Personne Fig 2 5 cette instance satisfait n cessairement la description de Personne Une fois que l on sait que Louise est une personne dans ce cas on l a affirm explicitement le sch ma de la classes Travailleur tablit des conditions n cessaires et suffisantes pour l appartenance de Louise cette classe de m me pour Ch meur En effet toute personne ayant pour l attribut a_emploi la valeur vrai est un travailleur et toute personne ayant la valeur faux est un ch meur Autrement dit lorsque l on sait qu une instance I appartient a une classe C la satisfaction de la description d une classe C sous classe directe de C est suffisant pour que I appartienne C et si I appartient C alors I satisfait
162. ances dans un ordre partiel WIL91 Inconv nients Les graphes conceptuels ont t con us pour repr senter formellement les phrases du langage naturel cette motivation explique l int r t port aux probl mes d ambiguit de la langue comme par exemple l interpr tation du pluriel qui ne concerne pas directement la connaissance mais son acquisition sous forme verbale et qui alourdissent la repr sentation De plus le choix d un graphe conceptuel quivalent une proposition logique comme l unit de repr sentation pose les probl mes d j soulign s pour la logique et les r seaux s mantiques savoir que la connaissance concernant un objet est diss min e dans les diff rents graphes qui en parlent ce probl me est sp cialement grave quand le domaine poss de des objets complexes et quand la base de connaissances atteint une grande taille Conclusion Dans les syst mes base de connaissances la connaissance est s par e du contr le Cette s paration facilite la modification des connaissances et l ajout de nouvelles informations la base Bien que nettement s par s la repr sentation de la connaissance et les m canismes d exploitation de cette connaissance sont interd pendants un raisonnement adapt une repr sentation peut s av rer lourd et compliqu pour une autre NIW84 Dans les techniques de repr sentation de connaissances pr sent es auparavant on trouve deux paradigme
163. ances de la classe et des contraintes et caract ristiques de ces attributs Ainsi la plupart des repr sentations objets utilisent une structure trois niveaux sch ma attribut facette comme celle des sch mas de Minsky 1 3 4 BOB amp 77 ROB amp 77 REC88 Le sch ma de classe est compos d une liste d attributs chaque attribut repr sente une propri t relation ou composant pr sente dans toutes les instances de la classe un attribut est d crit par son nom et une liste de facettes Les facettes d un attribut d crivent les contraintes impos es aux instances de la classe pour cet attribut ou bien des m thodes de calcul de la valeur de cet attribut C Aj Fa11 Fa12 Fax A2 Fa21 Fa2x Az Faz1 Fazxz Pour l exemple pr c dent le sch ma de la classe plan te Fig 2 1 a les propri t s communes toutes les plan tes telles que distance_au_soleil diam tre dur e_d une_r volution satellites plan tes_voisines etc 2 2 2 Attribut nom de la classe A planete nom unchaine dom Mercure Venus Terre Mars Jupiter Saturne Urane Neptune Pluton sch ma propri t s distance_au soleil i un entier 1 com en millions de kms annee unentier 1 1 _ diam tre un entier B gt attribut eee s Gr ens_de planete D gt facette card 0 2 composant elements ens_de elements
164. anessssuescunsosopscanbesonspasennsnaenasecenseaneascesssensosssssnnesonsnissoussts 188 Les points de vue PriNCIPAUX inner 188 Les points de vue auxiliaires ss sin nine iisi iiin aiias 188 Les points de vue cach s es ER E E A O EENE 189 6 2 2 L instance St Som types het wide Lien nt ARA E a NN EER E 189 6 2 3 Les Marques etstatuts des Clas SES E E a ball E E E a 190 6 2 4 Les stat ts d s ponts de VUC 22 6 a EEE E ETETE E EAA GTS 191 Point d vus ACT nn NEEE ENT ENEE EEA AIEEE ETEEN ELE STERN TOTEAA T 191 Point de Vue Inactif inner a aa aaa RC a a aa 191 6 2 5 Invariants de la classification c csessessesssscsscssssessessssesssscsscssssessessssessssssessessesscssssssssscssssessessesessessssesesssssessesessesessessess 191 Etat de la Classification 2352888888 e EENEN DR E E KAN Relations invariantes 63 L algorithme de classification sisi nana Paint ait oritis 193 6 3 1 Construction de l tat initial ccc ccscccsesssssscscscscssscsscscssscscsssesssscsescsesssesssscscscscsscsescsescscscscsesassessscassescsassescssseseseeseess 194 Param tres de d part Information sur l instance et le I moule wees csssssessessssessessesssscssesscsssscsscsssseesesscsessessesssscssssscsessesessesseeses 195 Information sur chaque point de vue et sur les passerelles 195 6 3 2 Condition de terminaison de la boucle de classification nn 196 6 3 3 Obtention d information sn 6 3 4 APPATIEMENT nn eee eeccsseeccsseeesssee
165. angage de sch mas 7 i me Congr s AFCET INRIA novembre pp 886 895 1989 FOX M S WRIGHT J M ADAM D Experiences with SRL An analysis of a frame based knowledge Representation Expert Database Systems pp 161 172 1986 GOLDBERG A ROBSON D SMALLTALK 80 The Language and its Implementation Addison Wesley 1983 GRANGER C CLASSIC g n rateur de syst mes experts en classification et en diagnostic Manuel de Utilisateur Ver 2 2 ILOG 1988 KAYSER D What Kind of Thing is a Concept Computer Intelligence vol 4 pp 158 165 1988 KIM W BANERJEE J CHOU H T GARZA J F WOELK D Composite Object Support in an Object Oriented Database System In Proceedings of the 2nd OOPSLA Orlando Florida ACM SIGPLAN Notices vol 22 n 12 pp 118 125 1987 KIM W BERTINO E GARZA J F Composite Objects Revisited ACM SIGMOD Proceedings of the International Conference on the Management of Data Portland vol 2 pp 337 347 1989 LIEBERMAN H A Preview of ACT 1 AI Memo 625 AI Lab MIT Cambridge MA 1987 Mc CARTHY J Circumscription A Form of Non Monotonic Reasoning Artificial Intelligence Journal vol 13 n 1 2 pp 27 39 1980 MAC GREGOR R M BURSTEIN MH Using a Description Classifier to Enhance Knowledge Representation IEEE Expert Intelligent Systems and Applications juin 1991 94 MAR79 MAR amp 92 MAS amp 89 MIS amp 88 MOO86 NAP92 NAP amp 92 PAT amp 90
166. arques Ainsi la proc dure de r vision de propagation et de d sactivation des passerelles continue jusqu ce qu il n y ait plus de passerelles actives ou jusqu ce qu il n y ait plus de changement dans la configuration de marques un parcours complet de la liste de passerelles ne modifie les marques d aucune passerelle Ainsi l algorithme de propagation de passerelles parcourt une premi re fois toutes les passerelles actives en regardant celles qui peuvent tre activ es O passerelles S il n y a pas eu de passerelles actives la proc dure s arr te S il y a eu au moins une passerelle P activ e la proc dure parcours une deuxi me fois toutes celles qui restent au plus pa 1 car l activation de P a pu entra ner des modifications sur les marques d autres passerelles Dans le cas extr me o l activation d une passerelle entra ne en cascade celle de toutes les autres passerelles actives l algorithme parcourt pa fois les passerelles actives Donc il fait pa pa 1 2 r visions de passerelles ce qui co te O prop_toute_pass O pa passerelles O prop_toute_ pass O pa pa p h z La situation extr me oppos e est produit lorsqu aucune passerelle n est activ e lors du premier parcours de la liste de passerelles actives Dans ce cas le parcours des passerelles n est fait qu une fois avec un co t O prop_no_pass O pa p h z Le premier de ces deu
167. asse Assez_Riche a deux trois ou quatre instances du concept automobile valuant son attribut voiture La valeur par d faut La valeur par d faut d un attribut est la valeur typique la plus repr sentative de cet attribut pour les instances de la classe Ainsi par exemple l on peut dire que la couleur typique de la mer est bleue A la diff rence des descripteurs pr c dents le descripteur par d faut n tablit pas de contraintes sur les valeurs d un attribut mais une fa on d inf rer la valeurs la plus repr sentative pour manipuler les instances incompl tes La valeur par d faut ne sert pas aux m canismes qui font des inf rences certaines en particulier le m canisme principal de raisonnement de TROPES la classification d instances ne l utilise pas Cependant ce descripteur peut tre utilis pour faire du raisonnement hypoth tique en particulier de la classification hypoth tique 8 2 lorsque la valeur r elle de l attribut n est pas connue pour une instance 5 6 2 Le type d un attribut d une classe La description compl te d un attribut pour une classe est donn e en terme des descripteurs de contraintes de type domaine et cardinalit ainsi que des descripteurs d inf rence de valeurs ces descripteurs peuvent tre introduits dans la classe ou dans une de ses sur classes L union des descripteurs de contraintes d finie dans la classe ou h rit es d termine compl tement le dom
168. asses directes d une classe h hauteur maximale de l arbre de classes point de vue z nombre de sous_arbres IMP de C_min p nombre de points de vue du concept 7 2 5 Complexit de la proc dure de mise a jour Le quatri me pas de l algorithme de classification est la proc dure de mise jour de Vinformation li e l instance par rapport sa nouvelle classe d appartenance La complexit de cette proc dure est le co t de l intersection entre deux types tl et t2 En effet cette proc dure calcule pour tous les attributs pr sents dans le sch ma de la classe actuelle C_actuelle l intersection de son type avec le type conserv dans le I moule pour cet attribut 237 Dans la section 7 2 1 nous avons montr la normalisation du type d un attribut Le calcul d intersection de types part des types normalis s Ainsi pour un attribut a qui prend des valeurs dans un concept T ona descripteur type si T est un concept primitif le type dans le descripteur type ne change pas Si le concept est un concept d fini alors l intersection des descripteurs type de deux types consiste garder la plus petite classe s re des deux en supposant que chaque type ne corresponde qu une classe Les syst mes tant coh rents ces classes doivent tre comparables alors la complexit de ce calcul est O h o h est la hauteur maximale des points de vue du concept T descripteurs dom et sauf e si
169. assification Les perspectives a plus long terme qui sont d ja les pr occupations actuelles de recherche du projet SHERPA visent tendre et a adapter le mod le TROPES de nouvelles fonctionnalit s L une des premi res extensions consiste en l int gration de la notion de contrainte au sein de la d finition d une classe Si la logique de repr sentation reste la m me les capacit s d expression et les possibilit s d inf rence sont quant a elles grandement augment es En effet les contraintes permettent d exprimer des d pendances entre attributs tandis que le m canisme de satisfaction de contraintes se charge d une part de garantir l int grit des instances et d autre part d inf rer d s que possible les valeurs d attribut manquantes Un mod le de t ches d di la repr sentation de la connaissance strat gique est en cours de sp cification Les originalit s de ce mod le sont de repr senter une t che comme un objet composite de repr senter le contr le par un ensemble de contraintes entre attributs et de ramener l ex cution d une t che une classification particuli re d objet composite Ce mod le de t ches exploite donc au maximum la d clarativit offerte par TROPES ainsi que ses m canismes d inf rence Les probl mes de l acquisition incr mentale de connaissances sont abord s en se focalisant sur la manipulation de classes Ainsi un m canisme de classif
170. at gories du monde Il y a des modes diff rents pour d crire un objet appartenance une classe relation dont l objet est un membre identification unique r le dans un v nement etc Chaque description est une liste de descripteurs ayant des facettes associ es chaque descripteur est une caract risation ind pendante de l objet associ Ainsi par exemple pour parler de Paul Ricaud on peut dire Un employ de l universit Un enseignant de peinture Un assistant etc Dans KRL il y a sept types diff rents d unit s Basic Specialization Individuals Abstract Manifestation Relation et Proposition Les trois premi res permettent le traitement des perspectives Les classes Basic sont des racines des graphes des diff rents familles d objets tels que Personne et plan te qui tablissent une premi re partition de lunivers du discours les classes Specialization sont des sous classes d une classe Basic ou d une autre classe Specialization et les classes Individuals d crivent des entit s uniques du monde des individus 104 Pour traiter les perspectives KRL utilise le descripteur perspective Un individu a une premi re perspective qui est la classe la plus g n rale a laquelle il appartient une unit de type Basic et il peut avoir d autres perspectives parmi les unit s de sp cialisation de sa classe de base Ainsi dans l exemple la classe de base est la classe Employ qui peut
171. ation 1988 ROSSAZZA Jean Paul Utilisation de hi rarchies de classes floues pour la repr sentation de connaissances imprecises et sujettes exceptions le syst me SORCIER Th se d Informatique Universit Paul Sabatier de Toulouse 1990 ROUSSEAU B Vers un environnement de r solution de probl mes en biom trie Apport des techniques de l intelligence artificielle et de l interaction graphique Th se de doctorat Universit Claude Bernard Lyon 1 Lyon 1988 SCHMOLZE J G LIPKIS T A Classification in the KL ONE Knowledge Representation System in Proceedings of the 8th ICAI Karlsruhe Germany 1983 VOGEL C G nie Cognitif Collection Sciences cognitives MASSON PAris pp 97 1988 WEGNER P The Object Oriented Classification Paradigm dans Research Directions in Object Oriented Programming Bruce Shiver Peter Wegner d The MIT Press Cambridge MA 1987 WOODS W A Understanding Subsumption and Taxonomy a Framework for Progress in Principles of Semantic Networks Explorations in the Representation of Knowledge J Sowa d Morgan Kaufman Publishing chapitre 1 pp 45 94 1991 ZHANG J Discussion sur la construction de cat gories mail groupe comp ai 1991 147 148 Chapitre 5 Le mod le TROPES Le mod le TROPES cccsssssssssssssscsssssscssscssscssccccccsccescessesssessessssssssssssssssssssssssssssssoeee LOL Introductions it MN ben rs ere dns A ner le RE fe
172. ation de la marque impossible aux sous arbres du point de vue ayant comme racine une classe impossible Fig 6 15 Une passerelle unidirectionnelle refl te aussi une inclusion ensembliste Pour les passerelles une seule source si l instance appartient a la classe source de la passerelle alors elle appartient a la classe destination Cette relation ensembliste peut se g n raliser aux passerelles ayant plusieurs sources si une instance appartient a TOUTES les classes sources alors elle appartient a la classe destination Propagation de la marque sure la classe destination d une passerelle dont TOUTES les sources ont la marque s re Fig 6 14 Vu dans le sens inverse la classe source d une passerelle repr sente un sous ensemble des instances de la classe destination de la passerelle Ainsi si l instance n est pas membre de l ensemble potentiel d instances de la classe destination alors elle ne peut pas appartenir a la classe source dont l ensemble potentiel est un sous ensemble de celui de la classe destination Propagation de la marque impossible la classe source d une passerelle ayant UNE seule classe source et dont la classe destination est marqu e impossible Fig 6 14 A1 PV1 A2 PV2 B PV ne gt A1l1 PV1 A2 PV2 B PV _ 9 An PVn 5 6 gt s re Dpossible impossible marques des classes Fig 6 14 Propagation de la marque s re la destination d une passerelle dont les
173. au intensionnel une autre description composite pour toute combinaison des raisons suivantes 1 Une cat gorie primaire dans l une des descriptions est plus g n rale que dans l autre une personne dont les fils sont docteurs subsume une femme dont les fils sont docteurs 2 Un modificateur de relation dans l un des deux est plus g n rale que dans l autre une personne dont les fils sont professionnels subsume une personne dont les fils sont docteurs 3 Une condition g n rale dans l un des deux est plus g n rale que dans l autre un enfant dont un des parents nettoie sa chambre subsume un enfant dont la m re nettoie sa chambre 4 La description la plus sp cifique inclut une cat gorie modificateur ou condition qui n est pas pr sent dans la description la plus g n rale une personne dont les fils sont docteurs subsume une personne dont les fils sont docteurs et qui aime conduire Il est important de noter que la subsomption intensionnelle est plus restrictive que la subsomption logique en effet tout concept A subsume logiquement le concept absurde L car Vx L x est faux et donc vx L x gt A x est vrai pourtant il n y a pas de sub somption intensionnelle car les propri t s de A ne sont pas pr sentes dans 1 La sub somption logique a son tour est plus restrictive que la subsomption extensionnelle c est le cas lorsqu on utilise deux noms diff rents pour designer un m me conce
174. autre classe par ajout des attributs ou par restriction des attributs existant dans l autre classe Le m canisme par lequel une classe r cup re l information h rit e de ses sur classes s appelle h ritage L h ritage est donc un m canisme de partage d information par factorisation des attributs qui facilite la cr ation des objets qui sont presque gaux aux autres objets Il r duit la n cessit de sp cifier des informations redondantes et simplifie l actualisation et la modification car l information est localis e dans un seul endroit L h ritage permet d inf rer toutes les attributs d une classe qui n y sont pas donn es explicitement en les cherchant dans les classes sup rieures anc tres selon l ordre du plus affin au plus g n ral tabli par les liens sorte de Ce m canisme d inf rence revient un algorithme de parcours du graphe des classes appel g n ralement lookup CAR89 Pour trouver les attributs d une classe C dans la base Vh ritage parcourt le sous graphe compos par les classes qui sont sur classes directes ou indirectes de la classe C l ordre de parcours du graphe doit garantir qu on commence par la classe C et qu on respecte la r gle du plus sp cifique qui dit que pour un attribut donn c est toujours sa d finition la plus sp cifique qui est prise en compte Il doit tre clair que les attributs de la classe Objet sont toujours les derniers a tre pris en compte
175. avec les contraintes du filtre Enfin l tape d appariement entre le filtre et un sch ma cible peut faire appel aux m canismes de raisonnement de bas niveau comme les r flexes et l attachement proc dural pour un calcul Dans certains syst mes comme SHIRKA le fil trage peut tre un m canisme local une facette d un attribut d une classe Fig 1 11 La valeur de cet attribut pour une instance particuli re de la classe est la liste d instances qui satisfont le filtre artiste sorte de personne lui meme var nom lui uvres liste de chaine sib filtre uvre d art auteur var lt lui titre var gt ceuvres Fig 1 11 la valeur de l attribut uvre d un artiste contient les titres de ses uvres d art cette liste est obtenue en filtrant parmi toutes les uvres d art celles ayant dans l attribut auteur une r f rence cet artiste 41 La classification La classification consiste positionner un nouveau sch ma dans une hi rarchie de sch mas connue En g n ral les syst mes de sch mas distinguent la classification de classes de la classification d instances La classification de classes modifie les liens taxi nomiques des classes et constitue un m canisme de gestion et maintien de la base la classification d instances est un m canisme de raisonnement qui permet de compl ter la connaissance d une nouvelle instance en la pla ant correctement dans la base et en
176. avec une marque s re possible ou impossible Les nouvelles marques peuvent g n rer des incoh rences au niveau des points de vue vis vis des relations invariantes entre les classes marqu es La proc dure propager_marques r tablit cette coh rence en marquant comme impossibles les sous classes des nouvelles classes impossibles et en propageant les marques s re et impossible correctement par les passerelles Enfin cette tape met jour l tat actif ou inactif des points de vue en fonction du type de point de vue et du nombre de passerelles qui restent actives La fonction mettre _ _jour_l_information met jour l information de la plus petite classe s re de chaque point de vue Enfin la proc dure choix_prochain_point_de_vue choisit en fonction d un crit re pr tabli le point de vue prendre comme point de vue actuel pour la prochaine it ration du cycle C est aussi dans cette partie que le syst me v rifie les diff rentes conditions de sortie du cycle y compris la d cision de l utilisateur d arr ter la classification 6 3 1 Construction de l tat initial Avant de lancer la classification il faut donner des valeurs initiales aux l ments de fa on avoir un tat initial stable Param tres de d part Avant commencer la classification l utilisateur doit indiquer la liste des points de vue principaux celle des points de vue auxiliaires et ce
177. axonomie e ajoute l information de la satisfaction de F la description de I e normalise la description de I avec cette nouvelle information e marque dans les arbres correspondants les nouvelles caract ristiques reconnues comme satisfaites par I apr s sa normalisation A la fin de la classification l instance a t enrichie par toutes les caract ristiques qu elle satisfait et par la liste de concepts les plus sp cialis s auxquels elle appartient Les premi res versions de LOOM attachaient logiquement l instance tous ces concepts la derni re version cr e un concept nouveau partir de la conjonction des concepts de l instance et attache l instance ce concept La raison de ce choix est de garder la description structurelle compl te obtenue sous une forme normalis e pour pouvoir l utiliser dans des classifications post rieures McGRE amp 92 Il est int ressant de noter la similitude entre les taxinomies de caract ristiques de LOOM et les graphes de types pr sent s dans 4 4 2 les deux utilisent ces structures auxiliaires pour inf rer des relations entre la structure d une instance et celle d une cat gorie partir des relations entre les composants de ces structures La diff rence entre les deux approches concerne la granularit des composants En effet dans les graphes de types chaque n ud repr sente le type normalis incluant l information de tous les descripteurs d un a
178. ble des suites finies d entiers non nuls des n uds de l arbre A Les positions sont ordonn es par ordre lexicographique lt p pour deux positions a B Pos A amp lt p a est un pr fixe def l A est la suite vide de num ros 215 Ainsi l arbre tiquet de l exemple pr c dent Fig 7 2 poss de l ensemble de positions Pos A A 1 2 1 1 1 2 o lt p 1 lt p 2 1 lt p 1 1 1 lt p 1 2 Uac Xa Ge Pos A est l ensemble des univers de A Le but de la classification est de faire descendre un objet le plus bas possible dans l arbre de classes Si l on consid re le cas d une instance x de la racine xe x alors la classification revient trouver un aePos A tel que xe Xg et que Xg soit maximal par rapport l ordre lt p des positions 7 1 3 Trace de classification Soit A x un AC et xex La classification de x par rapport A X not e Ca x est lunivers Xan1 n tel que e PourO lt i lt r fuguns X Mitt No fala Seo Ainsi la classification CA x est le plus petit univers Xjn n Xa pour lequel on peut affirmer xe Xg c est dire le n ud le plus bas dans l arbre celui avec la position maximal La trace de classification de x par rapport A X not e A x est le chemin qui m ne de X Ca x uni au sous arbre dont la racine est Ca x A Ca x Fig 7 3 Fig 7 3 Trace de classification de x par rapport a A x A x A
179. boucle dont chaque it ration fait descendre l instance dans l un des points de vue Construire l tat initial consiste cr er partir des informations initiales sur l instance et ses classes d appartenance de d part un tat stable Une fois l tat initial construit la classification consiste r p ter la boucle de classification obtention de l information appariement propagation des marques mise jour de l information et choix du prochain point de vue Par la proc dure obtenir_information le syst me obtient de l utilisateur l information manquante sur la classe s re ouverte du point de vue courant C actuelle Etant donn que cette classe est d j une classe s re pour I l utilisateur n est autoris donner que des valeurs valides pour les attributs dans cette classe et qui valident aussi les contraintes tablies dans le I moule ou bien la valeur inconnue Une fois l information de la classe actuelle compl t e l algorithme cherche faire descendre l instance dans ce point de vue vers une des sous classes directes de C actuelle La proc dure faire_appariement r alise une comparaison entre les valeurs des attributs de I et les contraintes des diff rentes sous classes de C actuelle Pour faire cette comparaison elle demande l utilisateur les valeurs des attributs de I dont elle a besoin Comme r sultat de la comparaison l appariement marque chacune des classes r vis es
180. bre d attributs du concept et m le nombre de concepts Elle d pend donc fortement du nombre d attributs du concept Le deuxi me facteur intervenant dans la complexit pa p h z montre simplement que le nombre d l ments de la structure taxinomique du concept a une incidence directe sur la complexit de l algorithme La valeur de z est normalement petite c est le nombre de passerelles d j activ es en moyenne la moiti pa 2 qui ont produit une marque impossible 1 sur 2 pour une classe du point de vue en question en moyenne 1 de p p tant le nombre des points de vue et qui sont sous classes de C_min Donc ce deuxi me terme de la complexit est d termin par le nombre de points de vue p et leur hauteur h 241 Cette complexit de la classification est donc O h p ft En reprennant les conclusions de la premi re partie du chapitre nous avons que la fonction de classification a un co t proportionnel ft que la taille d un tat est p et que la trace maximal d une classification est h Donc la complexit de notre algorithme de classification est la plus petite complexit possible pour la classification d une instance dans un syst me d arbres de classes avec des passerelles Conclusion Dans ce chapitre nous avons montr que l algorithme de classification multi points de vue dans TROPES est correcte et efficace Dans la premi re partie du chapitre nous avons prouv la correction et la c
181. c l invention de l ordinateur de von Neuman dont les notions d unit centrale de traitement de m moire et de canaux de communication tablissent certains mod les cognitifs comme le general problem solver de Newell et Simon NEW amp 63 et le mod le ACT de Anderson AND83 Le terme intelligence artificielle apparait pour la premi re fois en 1956 lors de la conf rence de Dartmouth organis e par Chomsky et Minsky et dans laquelle Newell et Simon pr sentent un premier syst me intelligent The logic theorist NEW amp 63 D s la naissance de l intelligence artificielle on consid re les deux branches qui d rivent de cette union de l informatique et des sciences de la connaissance la premi re branche con oit PIA comme l tude des facult s mentales travers l utilisation de mod les calculatoires CHA amp 85 elle se sert de l ordinateur pour simuler et tester des processus de l intelligence humaine Pour la deuxi me branche l ordinateur lui m me est l objet de recherche et l IA cherche fournir des syst mes capables d accomplir les t ches dites intelligentes Artificial Intelligence is the science of making machines do things that would require intelligence if done by humans MIN68 L intelligence artificielle est la science qui fait faire aux machines des taches qui auraient requis de Vintelligence si elles avaient t faites par l homme Dans la suite de ce
182. canette Sn AN Rte arr et ARR cbt 126 4 3 2 Graphe de cat gories Description explicite des relations d ordre partiel mn Description explicite des cat gories interm diaires Partition du graphe dans des familles disjointes et distinction des points de vue 4 3 3 Parcours du Sraph ersan re een rene ere entre tee nn ln ne 4 3 4 A PPALLGMeENt one a ne ER EN RE ne E E E A AE QG A bast Milt 44 Classification de Cat gories nn 44 1 La classification dans les logiques terminologiques Repr sentation Graphe de subsomption de concepts Parcours du graphe Appariement entre deux Concepts assim rennes 4 4 2 Classification de classes par des types benne Repr sentation Graphe de classes et graphes de types inner Parcours des Staples siainen erir enasna a aaa ae E oa ERSS SEE E Ea EEE TAS ISAE neue Appariement 4 4 3 D autres syst mes de classification de cat gories seems 4 5 Classification d INSTANC S sn mn nn ne A dooney oea se eaaa Eea ee ee Pt teurs 4 5 1 Classification dans SHIRKA Repr sentation Parcours du graphe Apparement zisnea i assaia Eaa a AEE aia aaRS 4 5 2 Classification d instances dans les logiques terminologiques Repr sentation nn donnent Parcours du graphe Appariement entre une instance et un concept Conclusions sen nee E EEES ESEE prend de nn nn ne nn nan nn nt ta tt Bibio raphe an A TR scenes ae E TT eka yah rt TE L model TROP ES s
183. cat gories d objets et des individus particuliers Une cat gorie repr sente un ensemble d individus et elle peut tre d crite de fa on fonctionnelle ou de fa on structurelle En termes de structure une cat gorie C est plus sp cifique qu une cat gorie D C lt D D est pr d cesseur de C si la description de C affine celle de D c est dire si elle ajoute des propri t s ou si elle restreint l ensemble de valeurs possibles d une propri t de D La plupart des syst mes ne repr sentent explicitement que les liens d une cat gorie vers les pr d cesseurs directs Un individu appartient aux classes dont il satisfait les contraintes En g n ral seuls les liens d appartenance vers les classes les plus sp cialis es sont repr sent s explicitement 144 Dans une telle repr sentation la classification d une cat gorie C consiste trouver toutes les cat gories de la base qui pr c dent C qui sont plus g n rales que C puis toutes celles qui suivent C Nous avons pr sent deux types d approches pour la classification de cat gories La premi re approche illustr e par les logiques terminologiques parcourt le graphe de cat gories en faisant des comparaisons de la cat gorie C avec chacune des cat gories du graphe La deuxi me approche utilise pour chaque attribut de la base un graphe des types induit par la relation de sous typage comportant tous les types de ces attributs qui apparaissent dans les ca
184. ce de cette classe YAFOOL utilise deux attributs dans l objet composite pour d crire ses composants et leurs types Fig 2 18 De plus ils fournissent des outils particuliers de cr ation et de manipulation d objets composites Ainsi l instanciation des composants d un objet composite se fait automatiquement en m me temps que celle de l objet defmodele Automobile compose de value Carrosserie Moteur 4 Roue lien de composition value la Carrosseri le Moteur les Roues defmodele Carrosserie compose de value Capot 3 Porte Toit lien de composition value le Capot les Portes le Toit defmodele Capot couleur valeur rouge sang Fig 2 18 D finition de l objet composite Automobile d un de ses composants Carrosserie et d un composant de celui ci Capot en YAFOOL MAS amp 89 Le syst me ORION KIM amp 87 KIM amp 89 est a la fronti re entre ce premier groupe et les syst mes offrant une relation g n rique En effet il pourvoit des primitives de manipulation et de gestion de la relation partie de mais cette relation est moins restrictive que dans les syst mes pr c dents les d pendances exclusives et existentielles sont optionnelles et doivent tre tablies ou enlev es explicitement dans chaque relation entre un composant et l objet composite 84 2 5 2 Syst mes avec une relation g n rique Des syst mes comme OBJLOG DUG88 DUG91 SRL FOX amp 86
185. ce peut migrer d une classe une autre lorsque l information qui lui est associ e s enrichit ou se modifie Cette migration entra ne une mise jour du lien est un et une validation des contraintes de la nouvelle classe pour v rifier que l instance appartient l ensemble repr sent par la classe Par exemple si une personne perd son emploi l instance la repr sentant doit migrer de la classe Travailleur vers la classe Ch meur son lien d instanciation est un doit donc se modifier Fig 2 5 Personne sorte_de Chose nom un chaine Personne sorte_de Chose nom un chaine orte_de sorte_de Ch meur sorte_de Personne a_emploi un bool dom faux Travailleur sorte_de Personne a_emploi un bool Travailleur sorte_de Personne a_emploi un bool dom vrai Ch meur sorte_de Personne a_emploi un bool dom faux Louise a_emploi vrai Fig 2 5 Le lien d appartenance est un change lorsque les valeurs des attributs de I instance ne satisfont plus les contraintes de la classe Dans ce cas l instance migre vers une nouvelle classe d appartenance et le lien est un est mis jour en cons quence La plupart des mod les classe instance exigent l unicit du lien est un un individu ne peut tre li directement qu une seule classe sa classe d instanciation Quelques 1 Les diff rences entre un langage objets et une repr sentation
186. certaine ou incertaine valide ou p rim e De plus elle peut tre objective ou subjective Par exemple une phrase du style je crois que exprime une connaissance subjective et incertaine quelques syst mes comme KLONE GOO79 et OWK SZO amp 77 prennent en compte ces modalit s Repr sentation Interpr tation du monde et du probleme Monde Interpr tation inverse des r sultats du mod le Fig 1 3 L agent interpr te les objets relations et lois du monde dans une repr sentation il raisonne sur cette repr sentation pour r soudre un probl me puis interpr te les r sultats du mod le dans le monde Syntaxe et s mantique L interpr tation de la connaissance pour l laboration d une repr sentation comporte deux niveaux le niveau syntaxique et le niveau s mantique Le niveau syntaxique d termine le langage de description des diff rentes connaissances du monde c est partir de ce langage que le syst me construit la repr sentation informatique structures de donn es le niveau s mantique donne une signification dans le monde r el aux l ments de la repr sentation tablissant le lien entre le monde et la repr sentation La syntaxe d un syst me de repr sentation doit pouvoir exprimer les diff rents types et modalit s de la connaissance du monde trait 1 2 2 la s mantique doit faire une interpr tation correcte des l ments relations et lois du monde r el L agent
187. cialis es de l instance et le type intersection des types de ces classes le type de l instance Fig 6 6 Dans cette liste de classes il y a des classes qui n ont pas encore t int gr es l instance et que nous allons appeler les classes ouvertes 6 2 3 C PVI I C PVI I moule INSTANCE I PVI PYM attributs TE attributs Fig 6 6 L instance classer I et l information additionnelle de son type et ses derni res classes d appartenance calcul es le I moule 6 2 3 Les marques et statuts des classes Un attribut inconnu a la valeur inconnue not e 189 Comme dans le syst me SHIRKA 4 5 1 la classification dans TROPES marque les classes avec une des marques s re possible ou impossible Une classe est impossible pour une instance I si l information de I est en contradiction avec les contraintes impos es par la classe c est dire si I ne satisfait pas le type de la classe Une classe est possible pour l instance I si l information connue de I n est pas en contradiction avec le type de la classe et qu il manque des informations pour assurer l appartenance de l instance la classe Toute classe non marqu e est suppos e possible Enfin une classe est s re pour une instance I si I satisfait son type Les classes s res d un point de vue peuvent tre ouvertes ou ferm es De plus elles peuvent tre terminales ou non terminales Une classe s re
188. ciplinaire nous allons pr senter dans ce chapitre l approche multi utilisateurs multi disciplinaire qui permet de mod liser une m me r alit selon des points de vue diff rents un point de vue tant la perception qu une personne a du monde observ La notion de point de vue ou perspective a t utilis e avec des sens divers dans diff rents domaines de l informatique tels que le g nie logiciel BOB amp 80 les syst mes de raisonnement hypoth tique ATT amp 86 et les repr sentations de connaissances Dans la premi re partie de ce chapitre nous discutons les diff rents sens donn s aux termes perspective et point de vue Dans la deuxi me partie nous montrons diff rentes fa ons de repr senter les perspectives dans les repr sentations objets De m me que des observateurs diff rents per oivent des propri t s diff rentes des objets du monde ils 99 peuvent identifier diff rentes parties dans la d composition d un objet complexe La derni re partie de cette chapitre traite des d compositions multiples d objets complexes 3 1 Le concept de perspective Le concept de perspective a t utilis avec des sens divers dans diff rents domaines de l informatique Cette diff rence refl te l ambigu t existante dans la langue commune quand on utilise les termes perspective ou point de vue En g n ral on peut d finir une perspective comme tant une position conceptuelle de laquelle un
189. classe C le type de l attribut dans C doit tre un sous ensemble de l ensemble des valeurs valides de l attribut dans la sur classe C te x lt tex Ajouter un attribut une classe revient aussi faire un enrichissement En effet comme nous l avons pr sent auparavant 5 5 3 le type d une classe C comporte tous les attributs du concept aussi bien ceux qui sont pr sents explicitement dans C ou dans une de ses sur classes que ceux pour lesquels aucune de ces classes n a tabli de contraintes le type de ces derniers attributs dans la classe C est le type maximal donn lors de leur d finition dans le concept Ainsi ajouter un attribut une sous classe C de C consiste ajouter des restrictions sous forme de descripteurs aux contraintes tablies lors de la d finition de cet attribut dans le concept en r duisant ainsi le domaine de valeurs possibles Affinement du type Affiner le type d un attribut a d une classe C dans une sous classe C consiste d finir dans C des nouvelles classes d appartenance permises pour les instances valeurs de cet attribut Ces nouvelles classes doivent tre des sous classes des classes donn es comme type de a dans C dans la hi rarchie du concept de base de l attribut pour le point de vue correspondant Normaliser plusieurs descripteurs de type consiste a garder le plus sp cialis Par exemple on peut d finir les locataires Jeune_Riche du poin
190. classer les subsum s les plus g n raux 3 Une fois la position trouv e la troisi me tape de l algorithme ins re la nouvelle description dans la hi rarchie en l attachant en dessous des subsumants les plus sp cialis s SPS et au dessus des subsum s les plus g n raux SPG et en liminant les liens redondants Depuis quelques ann es les logiques terminologiques s attaquent au probl me de la classification d instances qui consiste trouver les relations d appartenance inclusion entre l instance et les descriptions du graphe L approche la plus r pandue est d assimiler l instance au concept individuel correspondant et de classer ensuite ce concept avec Les algorithmes de classification utilisent pour leurs calculs la subsomption intensionnelle 46 l algorithme de classification de concepts cette classification n a pas besoin de r aliser la deuxi me tape de l algorithme car des concepts individuels sont dans les feuilles du graphe et ne subsument aucun autre concept Bien que cette solution permette d utiliser un m me algorithme pour deux m canismes diff rents elle entra ne la cr ation de trop de concepts de plus la subsomption fait des comparaisons et validations qui ne sont pas n cessaires lorsque l on compare un individu ayant des valeurs pour les r les avec un concept qui a des contraintes pour les r les Une approche plus int ressante utilis e par LOOM McGRE91 est de
191. classes A B il existe deux classes C not AUB et D not AnB telles que C soit la plus petite sur classe de A et de B qu elle soit sous classe de toute autre sur classe de A et B et D la plus grande sous classe de A et B qu elle soit sur classe de toute autre sous classe de A et B La hi rarchie montr e ci dessus Fig 2 7 n est pas un treillis car les classes planche voile et delta plane n ont pas une classe intersection et elles ont deux classes union possibles Utilisant_la_force_ olienne et Moyen_de_Locomotion qui ne sont pas comparables aucune n est plus grande que l autre La hi rarchie suivante Fig 2 9 est un treillis car toute paire de classes y poss de une classe union et une classe intersection pour tout x Fag U figure plahe Cw B UC DE C LE C A fal A A B U U U U paral logramme a a a A BN D D BOE E D E figure plane color e rectangle losange Carr G carr color Fig 2 9 Cette base de Figures planes est un treillis car toute paire de classes a une classe union et une classe intersection Tout treillis fini tant complet le treillis de l exemple pr c dent et en g n ral les treillis qui nous interessent sont des treillis complets car finis Un ensemble E partiellement ordonn est un treillis complet si toute partie P de l ensemble admet une borne sup rieure sup et une borne inf rieure inf Une partie P admet une born
192. classification de SHIRKA fait un parcours en profondeur du graphe de classes de la famille Ce parcours prend en compte un ensemble de propri t s qui d coulent de la s mantique de la relation de sp cialisation et des marques s re possible et impossible pour r duire le graphe de recherche et pour simplifier les comparaisons 1 Si une classe est s re pour une instance toutes ses sur classes doivent aussi tre s res Dans l exemple les classes Boisson et Objet sur classes de avec alcool sont s res 2 Si une classe est impossible pour une instance toutes ses sous classes deviennent aussi impossibles Dans l exemple comme la classe jus est impossible ses sous classes Naturel et Artificiel deviennent aussi impossibles 3 Les sous classes d une classe possible pour une instance ne peuvent pas tre s res pour cette instance seulement possibles ou impossibles La classification d une instance dans SHIRKA donne comme r sultat final trois listes la liste des classes s res la liste des classes possibles et la liste des classes 139 impossibles Dans l exemple les classes s res pour l instance sont Objet Boisson Avec_alcool Bi re les classes possibles Cocktail Avec_des_fruits et les classes impossibles Jus Naturel Artificiel Fig 4 10 1 Ss possible impossible avec des fruits Naturel Fig 4 10 L application des trois propri t s pr c dentes 1 2 3 perme
193. ctive et de les mettre en correspondance par des points communs pour faire un raisonnement multi disciplinaire VIEWS Le point de vue partir duquel on regarde un objet peut aussi d terminer sa d composition deux observateurs peuvent voir deux ensembles diff rents de composants donnant lieu aux d compositions multiples multi points de vue De plus un composant peut tre compos par d autres objets ce qui donne lieu une d composition multiple imbriqu e Pour pouvoir faire des inf rences correctes sur une d composition imbriqu e la s mantique de la relation de d composition doit tre la m me dans tous les niveaux de d composition De plus les d compositions diff rentes d un objet peuvent tre compl tement ind pendantes et ne partager aucun composant ou bien avoir des composants ou parties de composants communs dans ce dernier cas les inconsistances doivent pouvoir tre d tect es d s la cr ation de la base de connaissances Il est important de noter que les notions de point de vue et de d composition sont des notions orthogonales bien que certains syst mes comme LOOPS et VIEWS utilisent un m me m canisme ou des m canismes similaires pour les repr senter Dans le chapitre 5 nous allons d crire TROPES un mod le de repr sentation de connaissances par objets multi points de vue TROPES partitionne le monde en des concepts ou familles chaque famille peut tre d crite selon diff rents points
194. d appartenance la es plus sp cialis e s pour l individu classer 4 5 Classification d instances La classification d une instance consiste trouver les cat gories les plus sp ciali s es auxquelles l instance appartient Ce m canisme part d une instance dont on a une connaissance totale ou partielle et d un graphe de cat gories Une cat gorie est d crite par son intension ou structure et elle repr sente un ensemble potentiel d instances celles qui satisfont la structure de la cat gorie le graphe de cat gories est induit par une relation d ordre qui doit tre coh rente avec la relation d inclusion ensembliste existant entre les diff rentes cat gories Par la suite nous allons d crire deux syst mes qui font de la classification d ins tances SHIRKA et LOOM SHIRKA est un syst me de repr sentation par objets ayant l approche classe instance son mod le et son m canisme de classification d instances ont t utilis s par des applications des domaines aussi divers que la biom trie ROU88 la pr vention d avalanches BUI90 l lectromyographie B H91 etc LOOM 137 McGRE91 est une logique terminologique qui offre un m canisme de classification d instances original ind pendant du m canisme de classification de classes 4 5 1 Classification dans SHIRKA Repr sentation SHIRKA est un syst me de repr sentation de connaissances par objets ayant l approche classe in
195. d objets cr er pour ce composant multi valu 8 3 2 Appariement Dans TROPES l affinement d un attribut composant multi valu peut se faire par sp cialisation en affinant son type ou sa cardinalit comme pour les attributs d finis ou par clatement de l attribut en plusieurs attributs 5 8 2 Dans ce deuxi me cas chacun de ces nouveaux attributs ajoute des contraintes l attribut initial Pour faire l appariement dans ce cas le syst me interpr te un composant multi valu comme une liste ordonn e de valeurs 5 2 1 Lors de l clatement il fait correspondre les premiers l ments de la liste au premier attribut produit par l clatement la deuxi me partie de la liste au deuxi me attribut et ainsi de suite puis il v rifie si ces parties satisfont les contraintes correspondantes 5 8 2 8 3 3 Exemple de classification d un objet composite Pour finir cette partie nous allons pr senter un exemple de classification multi points de vue d un objet composite instance du concept automobile de l exemple pr sent dans 5 8 Fig 5 26 Supposons qu on veuille classer avec une classification minimale l automobile d immatriculation 8018 YV 38 pour laquelle on sait seulement qu elle sup porte une charge utile de 4 tonnes Fig 8 9 En sachant qu il s agit d une instance d automobile le syst me peut l attacher toutes les classes racines du concept il cr e auto
196. d un attribut d une classe iii 169 5 6 3 Affinement et normalisation d attributs nn 170 Affinement du type Affinement des valeurs valides 5 anal e E EEA E 170 Affimement de la Cardimalit 25eusssssssstsnistsiienen eiinleeeielienunliestien 171 Affinement du d faut 5 64 L arbre de types d un attribut d un CONCEPT een 171 9 71 Tes instances Uni CONCEP ne ee TE EIEE AERE rennes ne 172 5 7 1 L identification d une instance nee 172 5 7 2 Le type d une WMStance an eaten a a ATEN MAR nn E eo ot ENS E 172 5 7 3 Dea valeur d une Instanes sonont e ne A LINE ne LA NE A A A tr 173 5 74 Relations d appartenance nine 173 Cr ation d une instance iwi Siisera Anne a lue tite 173 Appartenance d une instance une Classe seen 174 5 7 5 L instance vue d un point de vue du CONCEPT nn 174 5 8 Les Objets composites dninennnnnsnninnn entiere EEEE S E Einnota 175 5 8 1 Concept composite concepts COMPOSANTS mener 176 5 8 2 Tig COMCE DLM a aY a AEAEE EEE EEA E RENE DR EE LE TA A EEEE La d composition dans un point de vue Sp cialisation de classes Affinement des attributs composants 177 D composition Mmultipl sssausssninnsntas ses mn tes ni fn A ne Etes nn et AR 178 5 8 3 Limitations de la relation de composition dans TROPES nm 179 CONCLUSION ss e OEE EEEE ATE TATNA AE E E dOLES 179 Bibliographie esiseina an nn et nee ESNA EE EE ONAE EEEE NA EEES ann A SEN 180 150 Chapitre 5 Le mod le TROPES
197. d faut en tant que valeur hypoth tique peut tre chang e dans une sous classe pourvu que la nouvelle valeur par d faut soit une valeur permise pour la sous classe 2 3 Taxinomie de classes La connaissance d un univers peut tre repr sent e par une structure hi rarchique de classes dans laquelle les classes sont li es par un lien de sp cialisation La typologie de cette structure de classes d pend des objets du monde et de la perspective partir de laquelle on les regarde Dans cette partie nous allons montrer les diff rentes typologies de hi rarchies nous allons d crire le m canisme d h ritage ainsi que l h ritage simple et l h ritage multiple et puis nous allons exposer les diff rentes approches prises pour traiter les conflits pos s par l h ritage multiple l approche lin aire l approche graphique et l approche circonstancielle A la fin nous pr sentons la multi instanciation 2 3 1 Hi rarchies de classes La relation de sp cialisation tre sous classe de d finie par le lien sorte de tablit un ordre partiel entre les classes propri t qui a t identifi e par Brachman It was quickly noted that the IS A connections formed a hierarchy or in some cases a lattice of the types being connected that is the IS A relation is a partial order BRA83 En effet cette relation est r flexive une classe est sous classe d elle m me de la m me fa on qu un en
198. d rant qu un sous ensemble des points de vue et donc d attributs du concept L algorithme de classification multi points de vue s appuie sur en une boucle compos e de cinq proc dures obtention d information appariement propagation de marques mise jour de l information et choix du prochain point de vue Cet algorithme est param trable modulaire correct et efficace Il est param trable car l utilisateur peut ordonner les points de vue du concept cet ordonnancement va d terminer le choix des points de vue parcourir lors de la classification La modularit a t confirm e par le d veloppement des extensions la classification hypoth tique la relocalisation et la classification d objets composites En effet ces extensions s obtiennent en ne modifiant que certaines proc dures de la boucle L algorithme est correct il termine et converge garantissant ainsi une r ponse unique a la classification d une instance Par ailleurs le calcul de la complexit a montr Vefficacit de l algorithme Les proc dures les plus co teuses de la boucle de classification sont l appariement et la propagation de marques La complexit de l appariement est d termin e par celle de la proc dure de validation du type d un attribut L impl mentation de l algorithme fait une normalisation des types des attributs lors du chargement de la base pour r duire cette complexit Le co t de la propagation de marque
199. dans l analyse de WIN amp 87 aux relations de composition s parables et fonctionnelles respectivement Dans l exemple de la voiture Fig 3 12 le point de vue physique correspond au point de vue structurel et le point de vue m canique correspond au point de vue fonctionnel bien qu on puisse aussi bien penser un deuxi me point de vue fonctionnel le point de vue lectrique 111 Un composant d une d composition groupe plusieurs composants de l autre Par exemple le composant intestins du point de vue structurel correspond aux composants gros intestin et intestin gr le du point de vue fonctionnel Fig 3 14 Un composant d un point de vue n est pas forcement disjoint avec un composant d un autre ce qui veut dire que ces deux composants peuvent encore se d composer dans des l ments plus simples et qu un groupe de ces l ments est commun aux deux composant pr sent s Dans le premier cas les d compositions sont ind pendantes et chacune peut tre trait e comme une d composition d une repr sentation mono perspective Les autres trois cas peuvent poser des probl mes de maintien de la coh rence entre perspectives et ils rendent difficile l identification des relations de compositions entre des objets Fonctionnel oreillette droite oreillette gauche Lite droite oreillette gauche syst me circulatoire syst me mineur a pulmonaire veine pulmonaire syst me osseux syst me majeur
200. de C ainsi que leurs sous classes sont marqu es comme tant impossibles Ces nouvelles marques sont propag es par les passerelles vers d autres points de vue Ainsi par exemple si du point de vue structure l instance M est reconnue comme tant une matrice bandes puis une ma trice diagonale alors les classes Matrice non_ bande et Matrice_tridiagonale sont 186 marqu es impossible et la classe Sym trique du point de vue Forme est marqu e s re La classe Sym trique tant s re ses sur classes deviennent elles aussi s res leurs s urs deviennent impossible Cette boucle de classification continue jusqu ce que l instance soit compl tement class e par rapport l information disponible Fig 6 5 Apr s chaque pas de la boucle le syst me choisit le point de vue sur lequel il va continuer la classification Matrice non bande Matrice tridiagonalg Matrice diagonale LPS Te de Non sym trique EN pS A Valeurs r elles D finie positi CO C Non d f positive Hermitienn Contenu Remplissag gt Matrice non creuse Matrice s re possible impossible CLD Matrice creuse marques des classes Fig 6 5 la fin de la classification M est descendue le plus bas possible dans les diff rents points de vue le syst me a pu v rifier qu elle est une matrice diagonale sym trique et non d finie positive De plus toutes les cla
201. de la classification sont l appa riement et le parcours du graphe pour la propagation des marques La complexit de la proc dure d appariement ainsi que de celle d obtention d information est d termin e par celle de la proc dure de validation du type d un attribut qui v rifie si une valeur donn e v pour un attribut a satisfait un type t particulier de cet attribut Par ailleurs la propagation des marques fait un parcours des arbres de classification dont le co t est d termin par la structure du concept hauteur des arbres des points de vue nombre de passerelles du concept etc 224 Avant de faire le calcul de la complexit de chacun des pas de la boucle de classification nous allons calculer la complexit de la validation du type d un attribut 7 2 1 Complexit de la validation du type d un attribut La validation du type d un attribut comporte la validation de son domaine normalisation des descripteurs domaine et sauf et pour les attributs d finis la validation de son descripteur de fype normalis Pour les attributs multi valu s la validation inclut la v rification de la cardinalit descripteur card normalis La complexit de la proc dure de validation de type d pend pour les attributs primitifs de celle de la proc dure de validation du domaine et pour les attributs d finis de la validation du domaine et de la validation du descripteur fype Validation du descripteur de type Dans le chap
202. de sympt mes d un patient l heuristique est l association entre les sympt mes la maladie et le traitement g n ral et la solution est alors un traitement particulier Parmi les diff rentes techniques de repr sentation de connaissances les repr sentations de connaissances objets RCO offrent les l ments n cessaires une repr sentation taxinomique elles structurent la connaissance du monde autour de deux types d objets les classes et les instances Les classes repr sentent des cat gories d objets semblables et elles sont organis es par une relation de sp cialisation dans une taxinomie Les instances d crivent des individus des membres des classes Le raisonnement classificatoire trouve son espace naturel dans les repr sentations objets Ainsi le m canisme de raisonnement principal d une telle repr sentation est la classification d instances Classer une instance consiste trouver ses classes d appartenance les plus sp cialis es dans la taxinomie pour ensuite inf rer des connaissances li es cette localisation 17 Notre travail se place dans le cadre du raisonnement classificatoire et il concerne la classification d instances dans une repr sentation de connaissances a objets Notre contribution se situe aussi bien au niveau de la repr sentation a objets que du m canisme de classification d instances Au niveau de la repr sentation nous allons aborder deux probl mes pr sents da
203. de vue Les points de vue de TROPES int grent les divers apports de syst mes d crits dans 3 2 Dans TROPES un objet peut avoir diff rentes d compositions dans les diff rents points de vue Ces d compositions sont d crites au niveau des classes d objets La s mantique donn e a la relation de composition est celle de composant tout 2 5 1 qui donne lieu a une structure de d composition arborescente Dans Tropes les points de vue et les d compositions sont deux notions diff rentes orthogonales et d crite par des m canismes diff rents 113 Bibliographie ATT amp 86 BLA amp 87 BOB amp 77 BOB amp 80 BOO90 CAR amp 89 COR86 DAV87 FER88 FIK amp 85 GOO79 MAR79 MIN75 MIN83 NGU amp 91 PAP amp 81 SCH79 SCH amp 83 SHA91 STE amp 85 SUS amp 80 ULL88 VAR89 WIN amp 87 ATTARDI G SIMI M A Description Oriented Logic for Building Knowledge Bases in Proceedings of the IEEE vol 74 n 10 pp 1335 1344 octobre 1986 BLAKE E COOK S On including Part Hierarchies in Object Oriented Languages with an Implementation in Smalltalk ECOOP 87 AFCET Paris juin pp 45 54 1987 BOBROW D G WINOGRAD T An overview of KRL a Knowledge Representation Language Cognitive Science vol 1 n 1 pp 3 45 1977 BOBROW D G GOLDSTEIN P Description for a Programming Environment in Proceedings of the AAAI Stanford Universi
204. des attributs de l instance ne satisfait pas le type de cet attribut dans la classe alors l instance ne peut pas appartenir cette classe relation d appartenance impossible Enfin si le syst me ne peut ni garantir ni nier l appartenance de l instance la classe alors la relation d appartenance est possible La s mantique de cette relation d appartenance trois valeurs est donn e dans 4 3 1 p 88 Une instance I d j cr e et rattach e une classe C peut migrer une autre classe C si elle valide le type de C I valide le type de C si la valeur de tout attribut valu de I satisfait le type de cet attribut dans C et si les contraintes connues comme tant valides pour les attributs valeur inconnue sont compatibles avec celles impos es dans C Le type d une classe D d un concept C de la base tablit des conditions n cessaires d appartenance pour une instance I de la base Pour une instance Ic du concept C le type de D tablit des conditions n cessaires et suffisantes d appartenance Donc l int rieur d un concept les types des classes tablissent des conditions n cessaires et suffisantes d appartenance Par exemple si l on regarde la classe Enfant dont la description compl te est Personne Enfant Physique nom un cha ne age un 0 12 alors pour qu un objet soit un Enfant il est n cessaire qu il ait un attribut nom de type cha ne et un attribut entier age
205. des classes Les attributs ont tous le m me statut dans la description d un concept et sont donc tous d terminants lors de la classification Il para t int ressant de pouvoir distinguer deux sortes d attributs ceux qui sont d terminants et ceux qui ne le sont pas pour la 266 classification Cette derni re cat gorie d attributs correspond alors un ensemble d attributs d terminer Puisqu ils ne sont plus consid r s pour l tablissement de l appartenance une classe on peut alors leur adjoindre dans la description d une classe tout type d informations sur la fa on de les calculer attachement proc dural satisfaction de contraintes La classification d instance se basant sur les attributs d terminants pourra alors alterner la phase d appariement avec une phase de production d informations par calcul des attributs non d terminants Une base de connaissances crite en TROPES peut tre tr s complexe et la classification d instance dans une telle base peut donc devenir difficile suivre L tude et le d veloppement d une interface conviviale et d un module d explication sont donc n cessaires A l instar de SHIRKA la visualisation des graphes de classes et de la classification d instance est pertinente et utile Les nouvelles notions concept point de vue passerelle introduites doivent tre prises en compte dans la repr sentation graphique et l explication de la cl
206. destination Sile destination gt effacer la passerelle Si I e destination gt ajouter la destination la liste s re possibles d Dans l tat eg la destination est s re et les sources s res ou impossibles et dans l tat e une des sources s res devient impossible La passerelle dans eQ n ayant pas t activ e il faut juste l effacer e Dans e la destination et toutes les sources sauf une sont s res cette derni re tant impossible Fig 8 3 passerelle de C142 A2126 5 G Cette combinaison de marques a pu entra ner le marquage impossible de la source impossible A2 26 5 dans l exemple Dans l tat e une des sources s res devient impossible Fig 8 4 e Le syst me doit alors v rifier si la marque de la source qui tait impossible avait t d duite par la passerelle et en fait il n y a pas de contradictions entre I et cette classe ou par la descente de l instance dans son point de vue Dans le premier cas la classe est enlev e de la liste de racines impossibles de son point de vue L_imp si elle y est Dans le deuxi me cas le syst me ne fait aucune modification la passerelle reste inactive lLa classe destination ne peut pas tre impossible car cela signifierait que la passerelle utilis e pr c demment est inconsistante ou que la modification de la valeur de a pour I entraine la non satisfaction du type de cette classe auquel cas sa marque est d j chang e par la remont
207. deur d abord tandis que d autres comme MERING FER88 le font en largeur d abord Les algorithmes bas s sur le parcours en profondeur d abord cr ent une liste lin aire des sur classes de la classe en commen ant avec la premi re sur classe directe la plus gauche et en continuant en profondeur ils suppriment ensuite toutes les occurrences dupliqu es en v rifiant la r gle du plus affin Dans le graphe suivant Fig 2 12 cet algorithme lin arise les sur classes de C4 en la liste C4 C3 C1 O C2 O puis il limine la premi re occurrence de la classe O ainsi C4 h rite de l attribut a de la classe C3 et Vattribut b de la classe Cl Le parcours en largeur utilis par MERING FER84 produit pour l exemple Fig 2 12 la liste d h ritage C4 C3 C2 C1 O selon laquelle la classe C4 h rite de l attribut a de la classe C3 et l attribut b de C2 Fig 2 12 L approche lin aire pour r soudre le conflit d h ritage d un attribut construit un ordre total soit par profondeur C4 C3 C1 0 C2 0 soit par largeur C4 C3 C2 C1 0 L approche lin aire fait d pendre l h ritage des attributs d une classe de l algorithme utilis c est dire qu il r sout un conflit conceptuel avec une solution 79 purement calculatoire produisant parfois des comportements inattendus Les contraintes que pose cette approche qui a t n anmoins la plus utilis e vont encore pl
208. diff rentiation etc qui permettent de d finir un concept complexe partir de concepts plus simples Un concept repr sente une classe d individus la classe des individus qui satisfont la structure et les contraintes du concept KL ONE distingue deux types de concepts les concepts g n riques qui peuvent d crire plusieurs individus dans des contextes tats du monde diff rents et les concepts individuels qui d crivent un seul individu dans un contexte pr cis et qui correspondent donc une classe ayant un seul membre A part cette distinction en sembliste de concepts la plupart des logiques terminologiques distinguent les concepts primitifs des concepts d finis Les concepts primitifs tablissent des conditions n ces saires mais pas de conditions suffisantes pour l appartenance d un individu au concept tandis que les concepts d finis donnent des conditions n cessaires et suffisantes Par exemple le concept primitif personne peut tre d fini comme tre vivant et ayant un esprit toute personne doit satisfaire ces contraintes mais le fait de les satisfaire ne suf fit pas pour dire qu il s agit d une personne par contre la d finition du concept d fini vin_rouge donn e par vin_rouge vin rouge indique que tout vin rouge doit tre un vin satisfaire les contraintes de vin et avoir la couleur rouge et de plus que tout objet tant un vin et ayant la couleur rouge est un vin_rouge L a
209. donc lanc Ce processus s ach ve quand toutes les instances impliqu es dans l instance compos e Ic par exemple Id v rifient les types sp cifi s par les attributs abstraits dont elles sont les valeurs respectives par exemple T1 pour Id Fig 6 21 Concept C Concept A Concept X S gt i un entier Fig 6 21 Pour pouvoir attacher Ic instance de C3 C32 sa valeur Id pour l attribut a doit valider le type de la classe T22 en tre une instance L algorithme essaie d attacher Id instance de T2 T22 Id peut tre attach e T22 si sa valeur Ie pour b est un X21 Ainsi si la valeur de i pour le est 1 ou 2 alors Ic est un C32 6 4 3 Les cycles dans les objets compos s Comme nous l avons dit auparavant la version actuelle de TROPES interdit la description d objets circulaires 5 8 3 Un objet compos dans TROPES ne peut pas faire partie de sa propre description Cependant la prochaine version du syst me va inclure des instances cycliques EUZ93 issues de classes ayant une description de restriction circulaire NEB91 une classe a une description de restriction circulaire si elle peut tre atteinte par une cha ne d attributs qui commence par sa d finition 207 L extension du mod le pour inclure des instances cycliques n cessite une modification de l algorithme de classification pour traiter ou au moins pr venir des inter blocages ventuels En effet la classification d instances
210. e graphes canoniques et en g n rer d autres partir de quatre r gles de formation la copie la restriction le joint et la simplification La copie consiste faire une copie identique du graphe La restriction est le remplacement du type d un concept par un de ses sous types ou par un marqueur individuel conforme au type Fig 1 14 Le joint permet de fusionner deux graphes ayant une partie commune en enlevant d un des deux cette partie commune et en collant le reste la partie correspondante de l autre Fig 1 15 Enfin la simplification enl ve les relations dupliqu es du graphe avec les arcs correspondants A PERSONNE Anne B Fig 1 14 le graphe B est form partir du graphe A par restriction du type PERSONNE de Anne son sous type FILLE Les r gles de formation canonique sont des r gles de sp cialisation La relation inverse la g n ralisation est r flexive antisym trique et transitive et d finit un ordre partiel sur le graphe la hi rarchie de g n ralisation La relation de g n ralisation est conserv e par la relation de sous typage de concepts la relation d individualisation d un concept g n rique et la relation de sur graphe e Sous type Si le graphe u est identique au graphe v sauf pour quelques types de v qui ont t chang s par des sous types dans u alors u lt v dans la figure 1 14 le graphe A est une g n ralisation du graphe B e Graphe unive
211. e sauf la classe Objet appel e classe racine qui n a pas de sur classe Cette structure restreint les relations possibles entre deux classes soit l une est sous classe directe ou indirecte de l autre et l ensemble d individus qu elle repr sente est inclus dans l ensemble de la sur classe soit elles ne sont pas comparables par la relation de sp cialisation Conceptuellement cette structure de classes est utilis e pour repr senter des domaines dans lesquels chaque niveau de sp cialisation d une classe les sous classes int ressantes repr sentent des sous ensembles mutuellement exclusifs Par exemple on peut sp cialiser des animaux en deux classes les vert br s et les invert br s ces deux classes sont exclusives aucun animal ne peut tre vert br et invert br en m me temps l ensemble des vert br s et celui des invert br s sont disjoints de m me pour la division des vert br s en mammif res oiseaux et reptiles Fig 2 10 75 ANIMAL VERTEBRE 0 Fig 2 10 Lorsque chaque classe a une seule sur classe directe le graphe de classe a la structure d un arbre les ensembles d instances repr sent s par des classes au m me niveau sont disjoints Plusieurs langages orient s objets p ex SIMULA et les premi res versions de SMALLTALK offrent seulement le m canisme d h ritage simple Cependant les structures d arbre g n r es par ces
212. e base ayant les concepts A B C et D avec les relations de subsomption B lt A D lt B D lt A C lt A A THING Parcours du graphe Dans les deux parties pr c dentes nous avons discut de la repr sentation dans les logiques terminologiques Par la suite nous allons discuter de l algorithme de classifica tion le classifieur classifieur qui est utilis sur cette repr sentation en prenant pour la structure du graphe de concepts celle utilis e par Classic options d et e de la section pr c dente Le classifieur cherche trouver la place correcte du nouveau concept c dans la base Cela revient trouver les pr d cesseurs directs de c dans la base SPS subsumants plus sp cifiques et les successeurs directs dans la base SPG subsum s plus g n raux puis lier le nouveau concept la base 1 3 5 La derni re partie revient ajouter des liens des SPG vers c et de c vers les SPG processus simple qui demande un temps li n aire Pour les deux premi res tapes plusieurs m thodes ont t propos es BAA amp 92 e la m thode aveugle pour calculer les SPS la m thode calcule l ensemble complet de concepts qui subsument c en comparant c avec tous les concepts de la base Vx test c 131 lt x puis elle r duit cet ensemble aux concepts dont les successeurs directs ne sub sument pas c Le calcul des SPG est sym trique calculer l ensemble de concepts subsum s par c Vx test
213. e ces classes le programme v rifie qu elle appartient l ensemble L_imp ce qui demande de regarder au maximum toute la liste L_imp donc ses z l ments La liste L_imp est form e des racines des sous arbres impossibles de C_min Un tel sous arbre peut exister seulement s il y a eu une passerelle d j activ e qui a marqu sa racine comme tant impossible Ainsi le nombre z d l ments de L_imp est limit 233 par le nombre de passerelles du concept dans lequel intervient un m me point de vue et donc limit par le nombre de passerelles du concept pa o sur_classe_str C_min C doit parcourir le chemin entre C et C_min ou dans le pire des cas le chemin entre C et la racine donc h niveaux Ainsi on a O marque maximum j h z h O marque m O h z o z est le nombre de sous arbres impossibles de C_min La proc dure de propagation de marques doit garantir que pour chaque point de vue du concept ces deux l ments C_min et L_imp sont bien mis jour pour prendre en compte les nouvelles marques pour que la fonction marque rende la bonne r ponse pour toute classe du concept Nous allons montrer par la suite que toutes les propagations de marques l int rieur d un point de vue et entre points de vue peuvent tre faites en modifiant correctement les C_min et L_imp des diff rents points de vue et en mettant jour les passerelles actives du concept Propagation l int rieur
214. e cette connaissance incompl te FER88 DAV87 le monde est unique sa repr sentation est incompl te et il est per u diff remment par les diff rents agents le monde externe est unique et ind pendant de l agent qui l observe La diff rence avec l approche pr c dente est qu ici l agent fait une repr sentation approximative du monde chaque agent percoit le monde sa fa on Pour retrouver la repr sentation correcte il faut mettre en correspondance les repr sentations de tous les agents par un processus particulier de transformation Ainsi par exemple dans les syst mes de robotique les modules de perception de l environnement peuvent arriver des valeurs de donn es diff rentes mais proches des fonctions pr d finies d approximation calculent la bonne valeur les agents ont une vision subjective du monde on ne peut pas parler d un monde unique chaque agent percoit un monde diff rent Le paradigme de cette approche appel Enaction est que le monde l objet et l entit cognitive sujet se d finissent mutuellement VAR89 les chercheurs de ce nouveau courant essaye de r soudre des probl mes pour lesquels le contexte et le sens commun jouent un r le important L incompl tude de la repr sentation Le monde r el est tr s complexe tant dans le nombre de propri t s et caract ristiques de ses l ments que dans la quantit d l ments et relations existants Pour r soudre
215. e d appartenance la plus sp cialis e pour M dans chaque point de vue 185 Fig 6 3 Instance M du concept matrice classer Pour l tat initial on dispose d j de l information minimale le fait que M est une matrice et son identification sa cl permettant au syst me de la distinguer des autres dans ce cas son nom M Cette information permet de rattacher l instance toutes les classes racines du concept Fig 6 4 Structur s re possible impossible ODO Matrice non bande Matrice marques des classe Matrice Matrice carree A Non sym trique gt Matrice non creuse Matrice C D Matrice creuse Fig 6 4 Les racines des points de vue repr sentent l univers du concept Donc toute instance du concept est l ment de ces classes ce sont des classes s res pour M La classification multi points de vue fait descendre l instance pas pas dans les points de vue chaque pas de la boucle de classification l instance est descendue d un niveau dans l un des points de vue du concept Cette descente appelle une proc dure d appariement qui d cide vers quelle sous classe C de la classe actuelle plus petite classe s re du point de vue doit descendre l instance Apr s l appariement la classe C est marqu e comme tant s re Puis comme par l hypoth se des classes s urs repr sente des ensembles exclusifs d instances les classes s urs
216. e d un autre point de vue par une passerelle Avant d entrer dans les d tails de l algorithme de classification 6 2 nous allons pr senter l id e g n rale avec un exemple Supposons que dans une base de connaissances num riques on ait le concept Matrice vu des quatre points de vue Structure Forme Contenu et Remplissage ROU88 Outre les passerelles triviales entre les racines des points de vue il y a une passerelle de la classe Matrice_diagonale Structure vers la classe Sym trique Forme pour indiquer que toute matrice diagonale est sym trique et une autre passerelle entre la classe D finie_positive Contenu et la classe Matrice_carr e Forme indiquant qu une matrice d finie positive est toujours carr e Fig 6 2 Structure Matrice non bande Matrice sue Matrice tridiagonale Matrice diagonale Matrice bande Forme Symetrique Non sytoetsique Matrice Carrere LA LI Contenu l D finie positive Non d f positive Hermitience Mon Hermitienne Matzice non creuse Matrice Matrice creuse Fig 6 2 Le concept matrice est d crit en TROPES par 4 points de vue ayant outre les passerelles entre les classes racines deux passerelles unidirectionnelles Supposons maintenant que l on veuille classer la matrice M Fig 6 3 dans le concept Matrice c est dire trouver la class
217. e de est sous type de est sous_classe de Fig 8 2 Remont e de I lorsque sa valeur pour a passe de 7 43 L algorithme parcourt le graphe de types de a partir du type de C14123 43 satisfait le type 0 INF alors la plus petite classe ayant ce type C1 la sur classe directe de C14 devient la nouvelle C_min La remont e de l instance est faite de fa on ind pendante dans tous les points de vue pour lesquels le type de la plus petite classe s re n est plus valide pour I Le r sultat de la remont e est une nouvelle plus petite classe sire pour I C_min qui est forc ment une sur classe de l ancienne plus petite classe s re de I C_min0 La marque de toutes les classes entre C_min0O et C_min sans inclure cette derni re a chang de s re a impossible La deuxi me partie de l algorithme de relocalisation de l instance concerne la propagation de ces changements de marques vers les autres points de vue par des passerelles en d faisant des passerelles qui avaient utilis les anciennes marques s res de ces classes pour d duire d autres marques 248 Propagation de la remont e par des passerelles La classification multi points de vue dans TROPES tire parti des passerelles pour faire descendre l instance dans un point de vue partir des marques des classes d autres points de vue 6 3 5 Lorsqu une instance est remont e dans un point de vue certaines de ses anciennes classes s res deviennent im
218. e de pr dicats ou relations intra_attribut concernant un seul attribut ou inter_attributs liant plusieurs attributs Par exemple pour indiquer dans la classe plan te qu aucune plan te ne peut 1 Pour un sch ma d instance la seule facette est la valeur de cet attribut pour cette instance Les sch mas d instance sont pr sent s dans 2 2 4 64 tre plus de 6000 millions de kms du soleil on peut ajouter le pr dicat intra_attribut lt 6000 pour l attribut distance_au_soleil Peu de syst mes permettent la d finition des contraintes inter_objets En SHIRKA REC88 par exemple elle est implant e l aide des filtres comme ceux des sch mas de Minsky 1 3 4 Ainsi pour tablir la relation de voisinage entre plan tes on peut d finir un filtre attach l attribut_relation plan tes_voisines du sch ma de classe planete Fig 2 3 Facette d inf rence de valeurs Un attribut peut avoir des facettes qui permettent de calculer sa valeur pour une instance Valeur fixe Si toutes les instances de la classe ont la m me valeur pour l attribut cette valeur peut tre indiqu e dans la classe comme tant la valeur fixe et unique de l attribut Par exemple on peut ajouter la classe plan te l attribut toile de type cha ne qui aurait pour toutes les plan tes la valeur soleil Parmi des syst mes permettant la d finition de facettes de valeurs pour les classes on peut citer FRL ROB am
219. e entre cat gories d termine le fonctionnement du m canisme de classification et les inf rences que l on peut en tirer Dans cette partie nous rappelons les diff rents sens donn s ces termes Une cat gorie d crit un ensemble d objets semblables Une premi re fa on de d crire cet ensemble est de le faire explicitement en donnant l extension de la cat gorie Cette solution ne sert que pour des cat gories d crivant des ensembles finis d objets et m me dans ce cas la repr sentation de la cat gorie par ses membres rend difficile sa manipulation et le raisonnement que l on peut faire avec Une deuxi me fa on de d crire un ensemble d objets est par un objet typique de l ensemble 1 3 4 cette approche prototypique pose des probl mes lors de la classification 2 6 2 Enfin une cat gorie d objets semblables peut tre d crite en donnant sa d finition 2 2 4 Cette approche intensionnelle est la plus utilis e et la seule qui serve pour faire du raisonnement par classification L approche intensionnelle suppose que pour toute cat gorie on puisse donner une d finition g n rale de ses l ments cette d finition peut tre fonctionnelle ou structurelle La d finition fonctionnelle consiste associer la cat gorie un pr dicat logique sous forme d une fonction permettant de filtrer les objets de la cat gorie La d finition structurelle consiste donner une structure ou type avec les propri
220. e est concern Il permet de d clarer des concepts primitifs et des concepts d finis les premiers tablissent des conditions n cessaires mais non suffisantes et les deuxi mes indiquent des conditions n cessaires et suffisantes d appartenance Un concept est d crit par son nom et sa description La description d un concept C comporte une liste de concepts et une liste de r les avec leurs restrictions WOO91 La liste de concepts repr sente les concepts C1 C2 C3 Ck qui subsument explicitement le concept C Ces concepts qui peuvent tre primitifs ou d finis sont appel s concepts primaires de C Les r les r1 v1 fn Vn repr sentent des relations binaires rj entre le concept C qui poss de le r le et le concept indiqu par les restrictions du r le vi ICertains concepts peuvent tre donn s par une description sans nom c est le cas des certaines requ tes dans Classic PAT amp 91 129 C C7 C2 C3 Ck 1 V1 fn Vn Les restrictions d un r le vj limitent les valeurs que peuvent prendre les individus associ s au concept pour ce r le ces restrictions peuvent parler de son type ou concept descripteur all de sa cardinalit descripteurs at_least at_most de son domaine descripteurs filled_ by one_of de sa relation avec les valeurs d autres r les du concept descripteur same_as etc BOR amp 89 Par exemple le concept primitif Personne peut tre d crit avec trois attributs
221. e et chercher tous les sous graphes du graphe ayant des propri t s ou une structure commune avec un graphe cible cette recherche correspond un appariement de graphes Ainsi par exemple une interrogation est mod lis e par un sous r seau o les n uds repr sentant l information recherch e sont tiquet s par des variables qu une proc dure de filtrage tente de lier avec des n uds du r seau trait MAS amp 89 Par exemple la question Qu est ce qu Olivia donne a Whitman est repr sent e par un r seau Fig 1 6 qui est ensuite unifi avec le r seau g n ral Fig 1 5 La r ponse a la requ te est la substitution faite pour les variables du graphe au moment de l appariement dans l exemple la variable chose est unifi e avec le sous graphe contenant comme n ud principal le n ud fleur_1 Olivia lt DONNE_A Whitman Fig 1 6 requ te la base Qu est ce qu Olivia donne Whitman le n ud chose est une variable qui doit tre instanci e lors de l unification de ce sous r seau avec le r seau g n ral Fig 1 5 Le filtrage peut faire appel l h ritage celui ci consiste r cup rer des informations des n uds repr sentant des concepts plus g n raux pour les utiliser dans des n uds plus sp cialis s cette r cup ration se fait en suivant les liens de sp cialisation est un Dans l exemple pr c dent on peut modifier l interrogation pour demander Do
222. e et il en tire des conclusions puis il change de perspective pour compl ter ou v rifier l information acquise D autre part la dynamique permise par cette ind pendance au niveau de la cr ation et de la modification des perspectives permet de stocker une instance dans la base et de la manipuler sans avoir l information compl te de toutes les perspectives Malgr ses apports la repr sentation de perspectives dans LOOPS exige l ajout d l ments artificiels comme les liens sp ciaux et les classes abstraites Notamment le fait de m langer les mixins Perspectives et Node avec le graphe de classes de la base obscurcit le mod le 3 2 4 ROME Le syst me ROME CAR89 est un langage hybride qui combine les principes des repr sentations par objets et des langages a objets Des langages a objets il prend la notion d instanciation une classe a des m thodes pour cr er des instances ces instances tant d finitivement attach es cette classe par le lien d instanciation Des classes ROME ayant cette fonctionnalit d instanciation sont appel es classes d instanciation IL option de perspectives de LOOPS n est pas encore impl ment e dans le langage de r gles de LOOPS version 2 2 106 Vu au niveau repr sentation un objet instance peut tre incomplet il peut tre vu selon diff rents aspects et 1l peut voluer pendant sa vie ainsi pour traiter le c t repr sentation des instances ROME introd
223. e et un des buts a prouver L ex cution d une r gle dont la conclusion action s unifie avec un but consiste remplacer le but par la partie gauche de la r gle Le cycle termine lorsque tous les buts ont t prouv s c est dire lorsque la liste de buts prouver est vide Si dans l exemple du zoo on veut savoir si le lion et le chat peuvent tre mis dans la m me cage on utilise le syst me en chainage arri re partir du but mettre_ensemble chat lion Ce but s unifie avec l action de la r gle R1 en substituant x 33 par chat et y par lion les nouveaux buts tant alors les pr misses de R1 attaque chat lion et attaque lion chat Avantages Les syst mes base de r gles permettent en g n ral de bien r soudre les probl mes de causalit ou de diagnostic traitant des objets simples Ils offrent un cadre d claratif pour exprimer des connaissances proc durales de savoir faire ce qui permet de voir clairement les conditions dans lesquelles une r gle est applicable La connaissance est exprim e de fa on uniforme par des r gles et des faits ces r gles et faits tant ind pendants la base est modulaire et facilement modifiable voir ROU88 pour une discussion sur le caract re relatif de cette modularit Inconv nients Les syst mes base de r gles pr sentent le m me probl me que les syst mes bas s sur la logique la connaissance de la base n est pas structur e m
224. e fa on de d crire cet affinement est l clatement de la description de l attribut Ainsi pour l exemple la description de roues dans automobile roues ns_d roues est affin e dans la classe classique par roues ns a roues_avant_petites roues_arri re_grandes card 2 2 Une deuxi me fa on de d crire l affinement est l clatement de l attribut m me dans exemple on clate roues en roues_avant et roues_ arri re ainsi roues roues_avant ens_de roues_avant petites card 2 roues _arri r ns_d roues_arri re_grandes card 2 Chacune de ces options offre des avantages La premi re fournit une vision imm diate des composants de l objet tandis que la deuxi me facilite la syntaxe des clatements ult rieurs TROPES offre les deux options D composition multiple Un point de vue d un concept ayant des attributs de nature composants d crit une d composition des objets du concept Chaque d composition dans TROPES a un rapport pr cis avec les autres objets du syst me en particulier avec les objets de la base accessibles du point de vue de la d composition les propri t s de ce point de vue et la structure de classes correspondante Plusieurs points de vue d un concept peuvent inclure des attributs de nature composant Les objets de ce concept ont alors des d compositions multiples Lorsque l on traite du probl me de la diffusion de valeurs entre l objet composite et les composants il suffit de
225. e instance du concept Appartement est identifi e par les valeurs des attributs cl s du concept adresse tape num ro et ventuellement un nom Par exemple l instance 6 rue Monge 75005 2 4 du concept Appartement peut tre identifi e par le nom chez_Dugand Fig 5 24 Appartement F2 Taill amp centre _vill Localisation Chez_Dugand adresse 6 rue Monge 75005 tage 5 2 num ro 4 surface 16 loyer 4500 nb_pi ces 2 Fig 5 24 L instance Chez_Dugand identifi e par la cl 6 rue Monge 75005 2 4 appartient aux classes F2 du point de vue Taille centre_ville du point de vue Localisation et a la racine Appartement du point de vue Financier Elle n a des valeurs connues que pour la cl et trois autres attributs du concept 5 7 2 Le type d une instance Toute instance d un concept C poss de tous les attributs de ce concept ainsi la structure globale de l instance est d termin e par le concept La structure la plus g n rale 172 d une instance d un concept est un enregistrement form par les types maximaux des divers attributs du concept Cette structure est le type global de toutes les instances du concept Lorsque l instance est rattach e une classe d un point de vue du concept son type est contraint pour chaque attribut pr sent dans la classe par le type de cet attribut dans cette classe autrement dit le type de l instance est l
226. e la cat gorie et que ces valeurs valident les contraintes impos es par elle Si ce n est pas le cas l objet n appartient pas la cat gorie Ainsi soit C une cat gorie d finie par p1 T1 p2 T2 pn Tn o Tj est le type de la propri t pi Soit O un objet d fini par p1 V1 P2 V2 Pn Yn Px Vx O vi est la valeur de O pour la propri t pi alors O appartient l ensemble d crit par C si et seulement si toutes ses valeurs pour les propri t s de C satisfont le type tablit dans C c est dire SUR Oe ssiVi 1 lt i lt n vj satisfait Tj IMPOSSIBLE O ssidi 1 lt i lt n tq vj ne satisfait pas Tj Trois valeurs pour la relation d appartenance Selon la d finition structurelle de cat gorie donn e pr c demment un objet appartient une cat gorie si et seulement si pour toutes les propri t s de la cat gorie il poss de des valeurs valides Cette approche classique suppose que l on a toujours toute la connaissance d un objet Cependant dans la plupart des cas on doit travailler avec des objets incomplets c est a dire des objets n ayant pas de valeurs pour toutes les propri t s de la cat gorie La relation entre un objet et une cat gorie d objets doit tre tendue pour inclure des objets incomplets pour lesquels on ne peut ni garantir son appartenance a la cat gorie ni la nier En effet si les propri t s valu es d un objet incomplet O valident les contraintes
227. e marques est aussi charg e de d sactiver les points de vue principaux dont la plus petite classe s re est une classe terminale Pour cela elle parcourt la liste des points de vue principaux actifs Pai et pour chacun elle v rifie que C_min Pai est une feuille elle n a pas de sous classes co t constant si les sous classes de C_min sont dans la liste L_imp Pai co t n z n tant le nombre maximal de sous classes d une classe et z la taille maximale de la liste L_imp Ainsi la complexit de mettre jour l tat actif ou inactif des points de vue est O tat_ PV O n 2 La complexit totale de la proc dure de propagation de marques est donc Pour le premier cas de propagation O propagation_toutes O prop 1 PV O prop_tout_pass O tat PV O 1 0O pa pa p h z O n z Comme on peut supposer que p h pa gt n ona O propagation_toutes O pa pa p h z Pour le deuxi me cas de la propagation O propagation_non O prop 1 PV O prop_no_pass O tat_ PV O propagation_non 0 1 0 pa p h z 0 n 2 Comme on peut supposer que p h pa gt n ona O propagation_non O pa p h z COMPLEXITE DE LA PROCEDURE DE PROPAGATION DE MARQUES O propagation O propagation toutes ou O propagation_non O propagation_toutes O pa2 p h z O propagation_non O pa p h z ou pa nombre de passerelles actives du concept n nombre maximal de sous cl
228. e plus grand nombre d inf rences avant de poser des questions 230 l utilisateur puis ordonne ces questions de fa on optimiser les inf rences tir es des r ponses Le premier raccourci de la proc dure consiste marquer les nj classes pour lesquelles tous les attributs sont valu s dans l instance ni lt n o n est le nombre maximal de sous classes d une classe du concept Pour marquer chacune de ces classes le syst me d termine si l instance satisfait son type si les valeurs de ses attributs satisfont les types correspondant dans la classe Dans le pire des cas la proc dure v rifie les a attributs du concept pour chacune de ces ni classes ce qui donne une complexit de O ni a fa Pour les classes qui n ont pas encore t marqu es n ni la proc dure d appariement va chercher compl ter l information en demandant l utilisateur les valeurs d attributs manquantes Le deuxi me raccourci de l algorithme consiste choisir les attributs demander dans le bon ordre Pour cela la proc dure construit une structure temporaire ayant pour toute classe le nombre d attributs inconnus de l utilisateur et le nombre d attributs non valu s Le remplissage de cette structure demande le parcours de tous les attributs de toutes les classes non marqu es ce qui co te O a n ni Apr s ces tapes pr liminaires le syst me commence poser les questions Vuti
229. e preuve est triviale lorsqu il n y a pas de passerelles entre des points de vue du concept de l instance car dans ce cas la classification d une instance peut tre vue comme plusieurs classifications ind pendantes une sur chaque point de vue Nous allons montrer que c est aussi le cas lorsque le concept poss de des passerelles Pour la d monstration nous allons d finir les notions de forme de classification arbre de classification trace de classification syst me de classification tat accessible et S classification 7 1 1 Forme de classification Le triplet FC x c f est une forme de classification pour X ssi e X est un ensemble d individus appel l univers de FC e Cest une partition de X X c X C X Xh avec h21 et telle que Vie 1 h Xi c X et Xi M Xj pour tout i j 213 e X 0 1 h et telle que Vie 1 h f x 1 amp xe Xj et f x 0 amp Vie 1 h xg Xi f est appel e la fonction de classification et Xo X Dans la d finition pr c dente X repr sente une classe C repr sente l ensemble des sous classes de X ces classes sont num rot es partir de 1 et f repr sente la fonction d appariement qui permet de d cider quelle sous classe de X appartient une instance de la classe X Dans le cas d une taxonomie l union des sous classes de X X est toute la classe X Il est important de rappeler que l hypoth se de d part de notre algorit
230. e relocalisation_possible pr sent e pr c demment A la diff rence du cas pr c dent une fois que la remont e est finie le syst me a trouv la nouvelle plus petite classe s re C_min pour I l algorithme ne cherche pas descendre l instance vers les sous classes de C_min En effet la connaissance de s tant appauvrie et non pas enrichie aucune nouvelle descente n est possible La proc dure de relocalisation que nous venons de pr senter demande le parcours des passerelles du concept et l ventuelle modification et propagation des marques des classes On peut se demander si cette proc dure ne devient pas plus co teuse que relancer une classification normale partir de la racine de tous les points de vue On peut esp rer que la relocalisation soit plus efficace que la classification lors de la modification d un attribut de l instance puisque le co t de la proc dure d appariement de la classification est en g n ral tr s lev 7 2 3 et que l algorithme de relocalisation fait tr s peu de validation de types 8 2 Classification hypoth tique La classification hypoth tique consiste classer une instance pour laquelle on a outre les connaissances s res des hypoth ses Le but de la classification hypoth tique est de continuer la descente d une instance dans son concept lorsque celle ci s est arr t e par manque d information en faisant des hypoth ses Une hypoth se est une affirmation su
231. e repr sent par la classe plan te et qu il a les attributs nom distance_au_soleil ann e etc avec des valeurs valides nom Pluton distance _au_ soleil 5889 etc Lien d appartenance et lien d instanciation Le lien est un est tr s souvent nomm lien d instanciation Ce terme provient des langages objets dans ces langages la m ta classe d une classe poss de des m thodes d instanciation qui cr e une instance de la classe Une instance est attach e pour toujours la classe qui la cr e sa classe d instanciation par un lien non modifiable le lien d instanciation est un Ainsi dans les langages orient s objets une instance peut tre membre d une classe seulement si celle ci ou une de ses sous classes est mentionn e explicitement dans l instance PAT90 Dans les repr sentations objets nous pr f rons parler de lien d appartenance ou d attachement car le lien est un refl te une relation d appartenance ensembliste et non pas le r sultat d une m thode de cr ation d instances De m me que pour les langages objets dans les repr sentations objets une instance est cr e par un m canisme d instanciation qui d termine une structure initiale pour l instance et un lien est un vers une classe ayant cette structure sa classe d appartenance Mais la diff rence des langages objet dans les repr sentations objets le lien est un n est pas fig une instan
232. e sup rieure 74 si et seulement si l ensemble des majorants de P l ments de E plus grands ou gaux que tout l ment de P a un plus petit l ment ce plus petit l ment est la borne sup rieure De m me une partie P admet une borne inf rieure si et seulement si l ensemble des minorants de P l ments de E plus petits ou gaux que tout l ment de P a un plus grand l ment ce plus grand l ment est la borne inf rieure SCH86 Une hi rarchie de classes est un treillis complet si pour tout ensemble de classes de la base il existe une plus petite classe englobant toutes les classes de l ensemble et il existe une plus grande classe contenue dans toutes les classes de l ensemble En g n ral on n a pas de treillis complet car la plupart des classes englobantes et des intersections des classes n ont pas d int r t conceptuel pour justifier leur cr ation Dans le treillis des figures planes Fig 2 7 il est clair que le concepteur de la base n est pas concern par la classe des rectangles color s sous classe des trap zes color s mais seulement par celle des carr s color s Dans des ordres partiels une classe C peut avoir plusieurs sur classes D1 D 2 Dn Dans ce cas l ensemble d l ments repr sent par la classe C est inclus dans l intersection non vide des ensembles d individus repr sent s par ses sur classes Dans le cas o la sous classe n a pas de contraintes propres l
233. e toutes les classes de S1 Sn Pour chaque classe il compare chacun des attributs de son sch ma avec sa valeur dans l instance Si pour un de ces attributs la valeur dans I ne valide pas le type la classe est marqu e comme impossible Si apr s ce deuxi me pas toutes les classes ont t marqu es impossibles alors l appariement s arr te la classe actuelle est devenue une classe terminale et le point de de vue sera marqu inactif par la suite Ordonner les questions Si apr s ces deux pas aucune classe de l ensemble n a t marqu e s re et qu il demeure des classes sans marque le syst me interroge l utilisateur La r ponse chacune de ces questions peut tre une valeur v ou la valeur inconnue Pour faciliter l interaction avec l utilisateur la proc dure ordonne les questions poser l utilisateur de fa on optimiser les inf rences que le syst me peut tirer des r ponses donn es L id e g n rale de cet ordonnancement est d examiner en premier les classes ayant le plus petit nombre d attributs non valu s Ainsi le syst me commence par poser des questions sur le premier attribut non valu de la plus petite classe selon l ordre pr c dent Au fur et mesure que l utilisateur donne les valeurs des attributs valides pour le type actuel de I le syst me met jour les marques des classes qui poss dent de ces attributs Les questions s arr tent quand le sy
234. e type d une cat gorie d objets et un objet particulier l instance h Fig 4 4 Classification d une instance dans le graphe de classes La classification d instances ou classification du premier ordre est l op ration de manipulation la plus importante d une base de connaissances structur e en classes elle joue aussi un r le fondamental dans le raisonnement suivi pour r soudre un probl me en effet la classification heuristique d crite par Clancey 4 1 est une classification de premier ordre o un probl me sp cifique est localis dans une structure de cat gories de probl mes d j existante La classification d une classe ou classification de deuxi me ordre consiste ajouter une nouvelle classe une base de connaissances de fa on respecter l ordre partiel existant entre les classes Fig 4 5 Ce type de classification peut demander des modifications des liens de sp cialisation entre classes la mise jour de la coh rence de la base et ventuellement la modification des instances d j stock es La classification de classes est avant tout une op ration de construction et de maintien de la base de connaissances dans certains syst mes elle est utilis e pour faire des requ tes sur les objets de la base de connaissances BOR amp 89 Ly 0 h Fig 4 5 Classification d une classe dans le graphe de classes La classification d instances est le m canisme de raisonnement pr
235. e vue inactifs Propagation de la marque s re props re C marque la classe C puis propage s re aux sur classes de C propage imp aux s urs de C Si C est une source d une passerelle avec destination impossible et dont apr s marquage de C seule une source est non marqu e les autres tant s res alors propage imp cette source Enfin si S est la source d une passerelle dont toutes les autres sources sont s re propage s re la classe destination de la passerelle si marque C alors marquer C SURE pour_tout S telle que sur_classe S C gt props re S pour_tout S telle que sceur S C gt propimp S si J pass lt S1 SURE gt lt C SURE gt lt Sj gt lt Sn SURE gt lt D IMP gt alors d sactiver pass propimp Si sid pass lt SI SURE gt lt C SURE gt lt Sn SURE gt lt D gt alors d sactiver pass props re D propimp C marque la classe C imp propage imp toutes ses sous classes Si C est la destination d une passerelle dont toutes les sources sont s re sauf une alors propage imp cette source non marqu e si marque C alors marquer C IMP pour_tout S telle que sous classe S C gt propimp S si J pass lt S1 SURE gt lt Sj gt lt Sn SURE gt lt C IMP gt alors d sactiver pass propimp Si 201 6 3 6 Mise jour de l in
236. eaux d imbrication Dans notre exemple le concept porte est esclave du concept carrosserie et ce dernier est esclave du concept automobile le concept ma tre Au niveau des points de vue le concept d un composant doit avoir tous les points de vue pour lesquels le composant est accessible dans le concept ma tre et aucun des points de vue du concept ma tre dans lesquels ce composant n appara t pas De plus le concept d un composant peut avoir des points de vue qui ne sont pas pr sents dans le concept composite Ainsi par exemple la carrosserie composant de automobile du point de vue physique a une hi rarchie physique de m me que le moteur pr sent dans la d composi tion m canique de automobile a un point de vue m canique Le moteur n a pas un point de vue physique car dans ce cas il serait pr sent dans la d composition physique de la voi ture enfin le point de vue lectrique du concept moteur n est pas visible au niveau de l automobile 5 8 2 Le concept maitre La d composition dans un point de vue Les objets d un concept peuvent tre vus comme des objets simples d un point de vue et comme des objets composites d un autre c est le cas des points de vue utilisation et m canique des automobiles Dans un point de vue d crivant des objets composites la d composition peut tre tablie d s la classe racine ou bien dans des classes plus sp cialis es Ce dernier cas permet d avoir des d com
237. ectriques un circuit est d compos en diff rents circuits quivalents chaque d composition permet de d duire des param tres de certaines quations la mise en correspondance de ces param tres permet de r soudre le syst me alg brique associ au IDans BLA amp 87 Les objets sont souvent d crits en terme de parties et du tout la fa on dans laquelle cette division en parties est faite d pend du but de l analyse 110 circuit VIEWS DAV87 offre la notion de vues une vue repr sente la structure d une unit complexe d information des vues d crivant un m me objet avec des structures diff rentes repr sentent des d compositions multiples Les composants d un objet composite peuvent eux aussi tre des objets composites on peut avoir donc un graphe de d composition d crivant une d composition imbriqu e d un objet Il faut noter que pour garantir la coh rence des inf rences la s mantique donn la relation partie de doit tre la m me dans tous les niveaux de la d composition 2 5 Des d compositions multiples imbriqu es tablissent un ensemble de graphes de composition Lorsque la s mantique de la relation de composition se base sur la m taphore de l objet physique 2 5 1 les graphes de d composition sont des arbres et la d composition multiple correspond une for t dont tous les arbres ont la m me racine l objet complexe tout entier Ainsi par exemple une voitu
238. egarde que les attributs h rit s d Arts et d Employ Fig 3 11 EMPLOYE SCIENCE SOCIALE SCIENCES PURES EUR ASSISTANT ASSISTANT ART Fig 3 11 Un point de vue dans ROME est d finit en termes d une classe et d une instance et il d termine un sous graphe de la base Le point de vue de la classe Art sur l instance Paul inclut les classes Employ Art et Assistant Art Le mod le ROME offre plusieurs avantages D une part il tablit la diff rence conceptuelle existant entre la classe qui d finit un concept et les classes qui ajoutent des contraintes pour d crire des sous cat gories de ce concept Un individu ne peut faire partie que d un seul concept fait qui justifie la mono instanciation D autre part par la repr sentation multiple il permet la liaison d une instance plusieurs classes Finalement dans un graphe ayant des classes sous classes de plusieurs classes on peut faire le parcours du graphe de fa on ne regarder que des classes li es une certaine classe Il est important d tablir ici la diff rence conceptuelle entre la notion de point de vue introduit par ROME et celle d finie dans l introduction de ce chapitre Dans le cas de ROME le point de vue est d termin par une classe et une instance ainsi on parle du point de vue Assistant sur Paul Ricaud ou du point de vue Ar
239. elocalisation fait monter l instance au moins d une classe dans l un des points de vue donc au pire elle remonte dans tous les points de vue jusqu la racine Les six cas consid r s pour la propagation des marques lorsqu une classe s re d une passerelle devient possible sont Fig 8 5 a Si toutes les classes de la passerelle taient s res et si la destination D PVx devient possible alors elle est nouveau marqu e s re C_min D PVx Fig 8 5 a b Si la destination tait s re et qu il y avait des sources non marqu es alors si la destination devient possible la passerelle devient active Fig 8 5 b c Si toutes les classes de la passerelle taient s res et si l une des sources devient possible le syst me compare I la destination D PVx si D est s re pour I la passerelle est effac e sinon D PVx est ajout e la liste s re possible Fig 8 5 c d Si la destination et une source E PVx taient impossibles et toutes les autres sources taient s res alors si une source s re devient possible l algorithme v rifie que la classe E PVx est possible pour I auquel cas cette classe E PVx est marqu e possible elle est effac e de la liste des racines impossibles de son point de vue L_imp PVx Fig 8 5 d e Si la destination de la passerelle tait s re la passerelle est effac e ind pendamment de la modification de ses sources Fig 8 5 e f Dans les autres cas la passerelle n
240. emblable celui de la recherche des pr d cesseurs directs d une cat gorie L appariement entre une instance et une cat gorie consiste v rifier le type des valeurs des attributs de l instance Cet appariement est moins co teux que l appariement entre cat gories o il s agit de comparer des ensembles de valeurs Les bases de connaissances manipulent en g n ral des connaissances incompl tes Un algorithme de classification d instances doit permettre un enrichissement graduel de la connaissance de l instance pendant la classification une telle classification graduelle doit tre interactive pour pouvoir demander l utilisateur des connaissances manquantes et pour lui proposer des valeurs int ressantes Dans le chapitre 6 nous pr sentons un algorithme de classification d instances Cet algorithme qui travaille sur une repr sentation multi points de vue rejoint les id es pr sent s par la classification de classes par des types ainsi que des strat gies d optimisation du parcours du graphe propos es par LOOM et SHIRKA Bibliographie AGU89 AGUIRRE J L Construction automatique de taxonomies a partir d exemples dans un mod le de connaissances par objets Th se Informatique INPG Grenoble juin 1989 AHO amp 74 AHO A HOPCROFT J ULLMAN J The design and Analysis of Computer Algorithms Addison Wesley Reading MA 1974 145 BAA amp 92 BOB amp 77 BOB amp 80 BOH91 BO
241. en terme des objets de la repr sentation Les attributs de I valident les contraintes des classes auxquelles I est attach e et pour toute classe du concept sa marque s re ou possible ou impossible indique correctement la relation entre cette classe et l instance I Par la suite nous allons pr senter les l ments d un tat de la classification et les relations qui doivent rester invariantes pendant toute la classification Etat de la classification 191 Un tat de la classification est d crit par les l ments intervenant dans la boucle de classification Pour l information g n rale La liste ordonn e des points de vue principaux PVp1 PVpn La liste ordonn e des points de vue auxiliaires PVa PVak La liste ordonn e des points de vue cach s PVc PVcm Le point de vue courant sur lequel se fait la classification ce moment PV actuel o L instance avec ses plus petites classes d appartenance connues et les valeurs de ses attributs Pour l information concernant chaque point de vue PV o L arbre de classes du point de vue avec ses marques PV o La plus petite classe s re dans PV C min PVi pour le point de vue actuel elle sera appel e C actuelle L tat du point de vue actif ou inactif tat PV Le nombre de passerelles encore actives dans ce point de vue Npass PV Relations invariantes Pour chaque point de vue PV o
242. enchement d autres t ches ne satisfont pas ses classes d appartenance GEN90 e Par ailleurs la gestion de d pendances inter attributs garde une trace de la liste des attributs aj aj2 ain utilis s par une t che pour le calcul d un nouvel attribut a liste des justifications de aj Lorsque la valeur d un des attributs ajx de la liste est 256 modifi e la valeur de aj est mise en question GEN90 Dans ce prototype une hypoth se d pend des valeurs des attributs utilis s pour la calculer et elle est mise en cause quand une de ces valeurs change 8 2 2 Hypoth ses sur les classes d appartenance Une deuxi me fa on de continuer la descente d une instance lorsque la classification certaine s arr te par manque d information est de faire des hypoth ses sur les classes d appartenance Une hypoth se dans cette aproche consiste choisir chaque niveau de la classification parmi les sous classes directes des plus petites classes s res de l instance une classe possible d appartenance de l instance pour lui donner la marque s re hypoth tique et continuer la descente par cette classe La marque s re hypoth tique a dans la classification hypoth tique le m me effet que la marque s re de la classification normale savoir la propagation des marques l int rieur d un point de vue et entre les diff rents points de vue pour retrouver un tat stable et l intersection du
243. epr sentation des logiques terminologiques introduit des notions qui ne sont pas toujours faciles comprendre et compliquent le d veloppement de la base C est le cas des distinctions entre propri t s d finitionnelles et propri t s contingents ou d duites entre propri t s n cessaires et propri t s suffisantes et entre subsomption extensionnelle et subsomption intensionnelle Un aspect particuli rement difficile comprendre et donc expliquer comme l a soulign Swartout PAT amp 90 est la distinction entre le raisonnement terminologique et le raisonnement assertionnel en effet une affirmation du style ce t l phone est rouge peut tre interpr t e comme une assertion sur un individu particulier du concept t l phone indiquant qu il est rouge ou bien comme une assertion affirmant l existence d un individu du concept t l phone rouge Dans le premier cas la d finition du concept n inclut pas la couleur la propri t couleur ne fait pas partie de la d finition c est une propri t contingente Dans le deuxi me cas seuls les t l phones rouges satisfont le concept la couleur fait partie des conditions d appartenance au concept Au niveau du raisonnement utiliser la classification de concepts pour classer des instances est co teux et n est pas coh rent avec la s mantique des instances la classification d instances comme un m canisme particulier permet une relation d a
244. epr sentations M moire Dipl me d Habilitation a diriger des recherches sp cialit Informatique Universit Montpellier II 1993 DUGERDIL P Contribution l tude de la repr sentation des connaissances fond e sur les objets Le langage OBJLOG Th se de l Universit d Aix Marseille II 1988 DUGERDIL P Inheritance Mechanisms in the OBJLOG language Multiple Selective and Multiple Vertical with Points of View in Inheritance Hierarchies in Knowledge Representation M Lenzerini D Nardi and M Simi d John Wiley amp Sons Ltd pp 245 256 1991 ESCAMILLA J JEAN P Relationships in an Object Knowledge Representation Model Proceedings IEEE 2nd Conference on Tools for Artificial Intelligence Washington D C USA pp 632 638 1990 FERBER J MERING Un langage d acteurs pour la repr sentation des connaissances et la compr hension du langage naturel Actes du 4 me Congr s AFCET INRIA Paris pp 179 189 1984 FERBER G J Coreferentiality The Key to an Intentional Theory of Object Oriented Knowledge Representation in Artificial Intelligence and Cognitive Science chapitre 6 J Demongeot T Herv V Rialle et C Roche d Manchester University Press 1988 FIKES R KEHLER T The Role of Frame Based Representation in Reasoning Communications of the ACM vol 28 n 9 pp 904 920 1985 FORNARINO M PINNA A M TROUSSE B Approche orient e objet pour la mise en uvre des relations dans un l
245. equ te sur la valeur de l attribut pour une instance Pour garantir la coh rence de la relation de voisinage des plan tes on pourrait attacher un r flexe l attribut plan tes_ voisines pour que lorsque l on modifie sa valeur cette modification soit transmise aux voisines anciennes et nouvelles Quelques syst mes comme LOOPS BOB amp 83 YAFOOL DUC88 KEE FIK amp 85 SHIRKA REC88 et MERING FER84 utilisent des r flexes avant une modification de la valeur apr s la modification et pour indiquer si le calcul de la valeur a r ussi ou s il a chou etc Les facettes de contraintes servent a faire des v rifications de valeurs des attributs des instances de la classe Ces facettes sont utilis es lors de la classification d une instance pour voir si les valeurs de ses attributs satisfont les contraintes de la classe Les facettes d inf rence de valeurs et les r flexes par contre ne peuvent tre utilis es que lorsque l on est s r que l instance appartient la classe En effet ces facettes font 65 des inf rences bas es sur le fait que l instance est bien une instance de la classe en question En particulier ces facettes ne servent pas lors de la classification d une instance Supposons par exemple que l on veut d finir la classe Carr partir de la classe Rectangle Fig 2 4 Une premi re description indique que les deux c t s doivent tre connus et que leurs valeurs doivent tre gau
246. er pour chacune de ses valeurs simples qu elle appartient au domaine de base Pour les concepts ordonn s la valeur v est une multi valeur dont les l ments sont ordonn s Il suffit donc de parcourir la liste d intervalles une seule fois pour d terminer l appartenance de ces l ments au domaine de plus la taille de la multi valeur se calcule en m me temps ce qui donne une complexit constante la v rification de la cardinalit Ainsi la complexit obtenue est O dom_multi_ord O in o in nombre d intervalles composant le domaine normalis Pour les concepts non_ordonn s le syst me doit v rifier pour chaque l ment de la multi valeur s il est dans le domaine donn ce qui co te O dom_multi_non_ord O t c ou t nombre d l ments explicitement permis ou exclus du domaine de base c taille maximale permise pour une multi valeur de l attribut descripteur card e Dans le deuxi me cas le domaine apr s normalisation est l ensemble explicite des valeurs multiples permises soit l le nombre d l ments de cet ensemble et c la cardinalit maximale permise pour une valeur multiple Si l attribut prend ses valeurs dans un concept ordonn chaque multi valeur a ses l ments ordonn s Ainsi comparer la valeur v avec une multi valeur du domaine revient parcourir en ordre les deux listes donc faire c comparaisons Ce processus doit se r p ter pour les liste
247. er la performance de l algorithme De plus lorsque la classification est men e par des sp cialistes qui n ont pas de connaissances compl tes pour tous les points de vue l organisation la distinction entre points de vue principaux auxiliaires et cach s per met d inf rer de grande quantit de connaissances avec la connaissance partielle de luti lisateur Nous avons aussi montr que lorsque l on travaille avec des instances compl tes ou pouvant tre compl t es par l algorithme de classification ou par l utilisa teur lors de la classification l utilisation de passerelles n entra ne pas un changement de la classification en elle m me 7 2 Complexit de l algorithme Dans la section 6 3 nous avons donn l algorithme de classification multi points de vue de TROPES et dans la section 7 1 nous avons montr la correction de cet algorithme Dans cette partie nous allons faire l analyse de la complexit de l algorithme selon le mod le RAM de AHO amp 74 Comme nous l avons montr l algorithme comporte apr s une tape d initialisation une boucle compos e de cinq parties obtention d information appariement propagation de marques mise jour de l information et choix du prochain point de vue Nous allons calculer la complexit de chacune de ces parties puis la complexit de la boucle et enfin celle de l algorithme tout entier premi re vue les proc dures les plus co teuses
248. erie_fixe automobile r can propulsion arri re Autor utilization carrosserie Fig 5 26 Une automobile peut tre consid r e sous les points de vue m canique physique et utilisation C est aussi un objet composite ayant une d composition physique en carrosserie roues etc et une d composition m canique en L automobile est un objet composite ayant une d composition m canique en moteur freins etc Le composant moteur lui peut tre observ du point de vue m canique et du point de vue lectrique Finalement une instance particuli re de voiture Ma_Clio5302YX38 appartient la classe traction_avant du point de vue m canique la classe conomique du point de vue physique et la classe particulier du point de vue utilisation Du point de vue m canique son composant moteur est de type piston appartient la classe _piston du point de vue physique elle a une carrosserie normale qui comporte 4 portes 5 8 1 Concept composite concepts composants La description des objets composites dans TROPES met en rapport plusieurs concepts de la base La relation entre le concept d crivant l objet composite et les concepts d crivant les composants est une relation de type maitre esclave l acc s aux composants d un objet composite se fait toujours partir du concept de l objet composite 176 concept ma tre Cette relation ma tre esclave peut avoir plusieurs niv
249. es entre elles par une quatri me vue Relations cr e par l utilisateur A la diff rence des syst mes pr c dents Views permet de faire un graphe de classes pour chaque perspective et de le stocker dans une unit de repr sentation Ainsi chaque agent voit la structuration du monde qui lui convient et il peut ignorer les autres vues Deux vues a priori ind pendantes peuvent tre li es par des contraintes ou par des l ments communs par exemple lorsqu une classe est pr sente dans les deux taxinomies De plus dans tous les syst mes pr sent s auparavant l instance est attach e une classe principale Basic dans KRL classe d instanciation dans ROME une sous classe de la classe Node dans LOOPS et a plusieurs classes secondaires repr sentant les points de vue Dans Views il n y a pas de classe ou vue principale servant de r f rent aux perspectives toutes les vues ont la m me importance ce qui permet a chaque agent de voir sa vue comme tant la vue principale de la base 109 En plus la repr sentation de taxinomies multiples la vue dans Views sert repr senter des d compositions multiples d objets complexes 3 3 et des mod lisation de contextes hypoth tiques la OMEGA car la s mantique des relations et contraintes est compl tement la charge du concepteur de la base Cette flexibilit s av re un des principaux inconv nients du syst me car celui ci ne poss de pas de m canismes d
250. es at least la caract ristique at least 1 enfants est un pr d cesseur de est plus g n rale que la caract ristique at least 2 enfants Parcours du graphe L instance classer est repr sent e tout moment de la classification par l ensemble de concepts qu elle satisfait Ci l ensemble de caract ristiques qu elle satisfait F1 et les valeurs connues pour certains de ses r les Normalisation de l instance Pour simplifier la comparaison entre l instance et les diff rents concepts de la base le syst me fait une normalisation de l instance par l algorithme suivant McGRE91b e calculer l ensemble de caract ristiques h rit es des concepts Ci et les combiner avec les caract ristiques de F1 pour produire le nouvel ensemble Fu de caract ristiques probablement plus sp cifiques e remplacer les caract ristiques filled by par des valeurs des r les correspondants e classer les autres caract ristiques dans la taxinomie appropri e same as one of through at least Cette classification d pend de la s mantique de la caract ristique par exemple at least 2 fils est plac dans la taxinomie at least en dessous de at least I fils e marquer chacune des caract ristiques de Fu et ses pr d cesseurs dans la taxonomie correspondante La normalisation de l instance I est faite une seule fois au d but de la classification et c est cette version normalis e qui va tre clas
251. es attributs de va et ainsi de suite Dans cette s quence d attributs chaque concept ne peut appara tre qu une seule fois alors la s quence a une taille maximale de m o m est le nombre de concepts Dans le pire de cas tous les concepts apparaissent dans une s quence et chaque niveau d imbrication tous les attributs sont des attributs d finis La complexit dans ce cas est O descr_1_type m O h O a M fdom tt O descr_1_type O a M fdom o a nombre maximal d attributs d un concept et m nombre des concepts de la base fdom co t pour valider la satisfaction du domaine de l attribut Lorsque l attribut att de l instance est un attribut multi valu cette v rification de type doit tre faite dans le pire des cas pour tous les l ments de la multi valeur Si la classe n impose pas de contraintes de cardinalit la valeur multiple peut comporter toutes les instances du concept Dans ce tr s peu probable cas la complexit est tt O descr_1_type O s a M fdom o s nombre maximal d instances d un concept a nombre maximal d attributs d un concept et m nombre des concepts de la base fdom co t de valider la satisfaction du domaine d un l attribut Validation du domaine Par la suite nous allons calculer fdom c est dire la complexit de la validation des contraintes de domaine d un attribut dans une classe Pour faire le calcul de cette complexit n
252. es bo tes noires qui encapsulent leur propri t s et leur comportement interne ce qui rend difficile la g n ration d explications du raisonnement suivi En effet le syst me global ne peut pas voir les structures et m thodes qui interviennent dans un raisonnement Enfin dans les repr sentations objets le mod le conceptuel que peut cr er l utili sateur est plus proche de sa propre repr sentation du probl me que dans les langages orient s objet o le d veloppeur doit d finir aussi bien des objets du monde repr sent que ceux concernant l impl mentation fen tres de dialogue objets v nements etc L quivalence entre le mod le r el et sa repr sentation pr sente dans les RCO facilite la communication entre le syst me et l utilisateur tant pour que l utilisateur donne la sp cification des objets du monde que pour expliquer le raisonnement suivi par le syst me 2 6 2 Approche classe instance approche par prototype Comme nous l avons pr sent auparavant les syst me de repr sentation objets ayant l approche classe instance repr sentent le monde avec deux types d objets les classes qui d crivent des s communes une cat gorie d objets et les instances qui repr sentent des individus particuliers d une classe Dans la plupart de syst mes utilisant cette approche le sch ma d une classe tablit les conditions n cessaires et suffisantes d appartenance la classe
253. es correspond to different aspects or viewpoints these viewpoints are not explicitly represented in the models We propose an object oriented multi perspectives representation system TROPES In this system each concept or object family has an independent taxonomic structure A concept may be observed from different viewpoints each one focusing on a set of features and a structure of categories Viewpoints may be linked by bridges Furthermore the viewpoint notion of TROPES rules out multiple inheritance problems TROPES is provided a multi perspectives instance classification algorithm which takes advantage of the model originalities Inside a concept the classification takes place on one or more viewpoints Bridges are used to fasten the classification Key words viewpoints object oriented representation taxonomies classification classification reasoning taxonomic reasoning composite objects artificial intelligence Table des mati res Syst mes base de CONMAISSANCES ccscccssscssscsscssssessssscssscsscsssscssnssssssssscsssssssnessesseses DO INthoductlOn2 tsa see EEE ENE inter iat Naked Ai anni nt intl ean ennai Man des tn en aan 1 1 Intelligence artificielle 12 Repr sentation et raisonnement sienne ini denied inenein 25 1 2 1 S paration entre repr sentation et raisonnement ow cecccsesccsssecesssecessseesssseeccssseesssseeesssesessseesssseecssaseessseeessneeees 25 1 2 2 La connaissance sis iii sis 26
254. es d inf rence le contr le sont intimement m lang s dans les instructions d un programme Le contr le est pr sent sous forme de proc dures fixes agissant sur des donn es galement fig es Bien que cette expression proc durale du raisonnement rende le syst me plus efficace et facile expliquer l criture des proc dures demande une compl te connaissance des donn es utilis es et de la fa on de r soudre le probl me trait ce qui n est pas le cas dans l IA De plus la mise jour d un tel syst me est difficile car les donn es et le contr le sont contextuels et li s Dans les syst mes d claratifs aussi nomm s syst mes base de connaissances la connaissance est s par e du contr le Fig 1 1 Cette s paration facilite la modification des connaissances et l ajout de nouvelles informations la base Le raisonnement est enti rement dirig par les donn es il utilise des m canismes d inf rence qui permettent la r solution des probl mes pour lesquels il n existe pas de proc dures explicites dans le programme 25 Raisonnement Repr sentation et raisonnement m lang s r gt Repr sentation Programmation proc durale 4 a Programmation d clarative Informatique classique Intelligence artificielle Fig 1 1 Un des grands apports de l intelligence artificielle est la programmation d clarative qui s pare la repr sentation de la connaissance de sa mani
255. es si ajout et si supprime d clenchent des actions de maintien de la coh rence de la base ou des appels aux m canismes globaux pour poursuivre la solution d un probl me global Avantages Les syst mes de sch mas sont tr s utiles pour mod liser les domaines o les objets sont complexes et riches le regroupement de toutes les informations d un objet dans une unit fournit une repr sentation structurelle concise et facilement exploitable La structuration de la connaissance en de telles unit s et les liens entre ces unit s facilite la manipulation des connaissances 42 Dans l approche d finitionnelle la relation de sp cialisation entre classes organise la connaissance par niveaux de g n ralit permettant un partage optimale des connaissances De plus la structure en classes et instances peut tirer parti des m canismes d inf rence puissants comme le filtrage et la classification Cette derni re facilite la mise en correspondance entre une nouvelle situation et les situations connues Finalement l h ritage r duit le travail de description du concepteur et facilite le maintien de la coh rence de la base Inconv nients La plupart des syst mes de sch mas manquent d un formalisme de base ce manque de formalisme entra ne un manque de rigueur dans l utilisation des diff rentes notions ainsi par exemple l attachement proc dural pour un calcul est tr s souvent utilis lors de la classification et la
256. esseeeesseeeess R duire le nombre de classes tester Ordonner les questions 6 3 5 Propagation des Marquess s i csssssisssessssssssssseascassseosnscnssactecssiscosesseaccadsssosusshssasoussysssoasssusscashssesuegsanesunachassepenosesonasoussasssanenans R gles de propagation de marques sense Mise jour des passerelles et points de vue actifs Algorithmes de propagation de marques sen 6 3 6 Mise jour de l information ssis scsssssssssesssssasesssedssseastessessosssccoanessbesndesnsosoyacsnonssasossensinsgnsisensosnsbeansesesnancesasedbunenessconneseye 6 3 7 Choix du prochain point de vue 6 4 Classification d objets COMPpOSES sssecsessesseesecseecsseeseesssecssecsuesssessscecsceesessnscsnsccunecssecsnsseessesnsecunecssecsseesseesuseeesesnenseess 6 4 1 Validation d des ripteur d type ste ln tannins 6 4 2 Validation de type pour l appariement 6 4 3 Les cycles dans les objets compos s Conclusion Bubliggranphinne sais sssssssAsssscaidsssascA sesctsvaysdevvages adeshses A fnac often titre 182 Chapitre 6 Classification multi points de vue dans TROPES Introduction Le m canisme de raisonnement principal de TROPES est la classification d instances tant donn e une instance d un concept d une base de connaissances TROPES la classification consiste trouver dans chaque point de vue du concept la classe la plus sp cialis e pour laquelle l instance satisfait les contraintes Cette
257. est comme pour toute autre instance de la base de trouver ses classes d appartenance les plus sp cialis es dans les diff rents points de vue du concept et de compl ter l information associ e l objet Deux interpr tations sont possibles pour la classification d objets composites MAR91 la classification minimale et la classification maximale Les deux essaient de descendre l objet composite le plus bas possible dans les hi rarchies de son concept la diff rence r side dans le traitement des parties Dans la classification minimale on v rifie seulement que les parties satisfont les contraintes impos es par la classe de l objet composite on essaie de descendre un composant dans les points de vue de son concept seulement si cela est n cessaire la validation Cette classification est la classification utilis e par d faut dans TROPES elle correspond la classification normale 257 pour des instances compos es La classification maximale par contre classe tous les composants le plus bas possible dans leurs hi rarchies Fig 8 8 a un D3 PV1 concept composite C SOM bei concept composant D classification minimale classification maximale Fig 8 8 Lors de la classification minimale de Zc l algorithme value si son composant Id est une instance de la classe D1 PV1 du concept composant D La classification maximale ne s arr te pas l mais elle cherche classer l instance Zd le plus bas po
258. est pas modifi e Fig 8 5 f sources destination ZN S S S S S S S gt S S S S S S 5 marquer D s re D PVz b S _ S _ S S gt S _S _ S S a rendre active e S S S S S S S J SSPSSS S le D PVz a D PVz d S S S S I S S ___p S S PS I S S le E PVx E PVx D Qu Le e H Etat de la passerelles Etat de la passerelles avant la remont e de I apr s la remont e de I Action Fig 8 5 Le changement de la marque s re par possible d une classe faisant partie d une passerelle peut remettre en cause la validit des inf rences tir es de la passerelle ex c d ou bien rendre actives des passerelles ex b Descente de l instance Une fois la remont e et la propagation des marques termin es la relocalisation essaie de faire descendre l instance au maximum dans les diff rents points de vue du concept Cette descente part d un tat stable et consiste appeler partir de cet tat la proc dure de classification 6 252 8 1 2 Suppression de la valeur d un attribut Lorsque la valeur d un attribut a est supprim e dans l instance Z elle devient inconnue pour I les plus petites classes s res de J qui tablissent des restrictions pour cet attribut a doivent changer leur marque de s re possible Ainsi dans les points de vue de ces classes l instance remonte vers la premi re classe ne d crivant pas a Cette remont e est faite par la proc dure d
259. et donc le raisonnement le m canisme d h ritage est plus un raccourci d criture car on n a pas recopier des informations qu un r el m canisme d inf rence de nouvelles connaissances Dans la base d ceuvres d art pr sent e pr c demment l attribut auteur d fini dans la classe racine est h rit automatiquement par ses sous classes sculpture et tableau Ainsi une instance de tableau a les attributs technique et titre d finis dans sa classe d appartenance mais aussi l attribut auteur h rit de la classe ceuvre d art Le filtrage Le m canisme de filtrage recherche les sch mas satisfaisant certaines caract ris tiques donn es ces caract ristiques sont d crites dans un sch ma appel filtre qui est appari avec des sch mas de la base Le filtrage se distingue d une requ te classique de bases de donn es par plusieurs aspects D une part les instances d une base de connais sances pouvant tre incompl tes le r sultat du filtrage n est pas une liste fixe d instances mais une liste de sch mas d instances o chaque sch ma peut tre compl t de diff rentes fa ons pour produire diverses instances D autre part gr ce la structure hi rar chique des sch mas de classes l ensemble de sch mas d instances pouvant r pondre au filtrage est vite r duit ceux dont les classes d appartenance ne sont pas en contradiction
260. et est un de l ap proche classes instance le lien copie de des prototypes n a pas une s mantique pr cise il pr tend repr senter une sorte de ressemblance mais cette ressemblance n est pas bien d finie et elle peut tre aussi faible que celle existant entre une pierre et un l phant Aucune connaissance d duite pour un prototype ne peut tre h rit e par ses copies les prototypes voisins Malgr la structure apparente les prototypes d une base doivent tre trait s comme des concepts primitifs individuels Pour cette raison une repr sentation par prototypes ne permet d exprimer aucun fait universel aucune v rit valide pour tous les individus d une cat gorie BRA85 D autre part aucune connaissance d duite pour un prototype ne pou vant tre h rit e par ses copies cette repr sentation ne peut utiliser des m canismes de raisonnement aussi puissants que le filtrage et la classification En plus la description d un groupe d objets dans la base d pend de l ordre d inser tion de ces objets car la localisation d un individu se fait par comparaison avec d autres individus d ja stock s Voyons un exemple un peu caricatural supposons qu un individu connaisse un seul animal un aigle Un jour il fait connaissance d un dinosaure en cher chant dans sa m moire il trouve des attributs communs l aigle et au dinosaure les deux sont des tres vivants qui se reprod
261. et la classe plus g n rale qui la contient sa sur classe se fait par un lien sorte de Le m canisme de sp cialisation tabli par le lien sorte de permet la d finition des concepts complexes partir des concepts plus g n raux Dans l interpr tation ensembliste des classes la relation de sp cialisation d finie par le lien sorte de traduit la relation d inclusion d ensembles Ainsi si A est sous classe de B alors tout l ment de la classe A est aussi membre de B Une sous classe d crit donc un sous ensemble de la sur classe contenant des l ments plus semblables Au fur et mesure qu on ajoute des restrictions la classe d crivant un ensemble on a une description plus pr cise d un ensemble plus sp cifique des individus du monde Par abus de langange on dira qu une instance appartient une classe ou qu elle est un membre de la classe alors qu elle appartient est membre de l extension de la classe 70 Certains yst mes utilisant le mod le classe instance travaillent avec une sp cialisation stricte c est dire l ensemble potentiel d crit par une sous classe Cl d une classe C est un sous ensemble strict de l ensemble potentiel d individus de la classe C Affinement des attributs Une classe D ne peut tre une sp cialisation une sous classe d une classe C que si D poss de au moins les m mes attributs que C car tout l ment d une sous classe doit
262. ets en classes e la classification de classes ou insertion d une nouvelle cat gorie ou classe dans un graphe de classes e et enfin la classification d instances qui consiste trouver dans le graphe de classes la classe d appartenance la plus appropri e pour une instance Notre travail concerne ce troisi me type de classification Dans ce chapitre nous pr sentons le raisonnement par classification Dans la premi re section nous montrons l importance de la classification comme m canisme de raisonnement de l tre humain Dans la section 2 nous d crivons les trois types de classification pr sents dans une repr sentation par objets la cat gorisation la classification de classes et la classification d instances La classification dans une base de connaissances d pend de la s mantique donn e aux l ments de la repr sentation cat gories et individus ainsi qu aux relations qui existent entre ces l ments sp cialisation subsomption appartenance etc Ces l ments ainsi que les composants principaux de l algorithme de classification le parcours du graphe et l appariement d objets sont d crits dans la section 3 du chapitre La section 4 tudie la classification de classes plus particuli rement la classification de concepts dans les logiques terminologiques et la classification par insertion de types dans des syst mes associant un 119 type chaque classe Enfin dans la section 5 nous montr
263. ette connaissance ressort de domaines diff rents des familles diff rentes d objets Si la connaissance du monde est vari e il en est de m me des obser vateurs qui veulent la manipuler chacun a ses int r ts particuliers chacun regarde des propri t s et relations particuli res des objets du monde et chacun organise les objets selon sa propre perspective Dans TROPES cette diversit est refl t e dans la base de connaissances par les points de vue un point de vue de la base d crit une perspective particuli re d observation du monde repr sent Les points de vue dans TROPES suivent P hypoth se d un monde unique vu de fa ons compl mentaires par les divers observateurs 1 2 3 l agent et le monde repr senter option 2 Une base de connaissances comporte alors deux types d l ments les concepts et les points de vue Fig 5 3 B C CC Cm PV pF PV2 PV l base PEENE Locataire immobili re concepts Locataire ERAREIEF Appartement oe Agence Appartement Fsriie T ann points_de vue Personnel Financier Localisation Taille Localisation 1 I Fig 5 3 La base Immobili re comporte quatre points de vue Personnel Financier Taille et Localisation Les points de vue sont orthogonaux aux concepts Les points de vue sont d finis au niveau de toute la base et leurs noms sont visibles connus pour tous les concepts de la base Or certains points de vue qui sont per
264. ews DAV87 les repr sentations par sch mas structurent les sch mas selon la rela tion hi rarchique de sp cialisation dans un seul syst me de sch mas La relation de sp cialisation d crite par le lien sorte de lie un sch ma de classe dit sous classe un autre sch ma de classe dit sur classe et repr sente l inclusion ensembliste des en sembles d individus d crits par ces classes la structure de sch mas de classes induite par la relation de sp cialisation est appel e taxinomie A c t de la relation de sp cialisa tion entre classes la relation d instanciation d crite par le lien est un lie un sch ma d instance au sch ma de classe repr sentant la classe d appartenance de cette instance Fig 1 10 uvre_d art auteur Sun artiste cat gorie Sun chaine Sdomaine sculpturb peinture sp cialisation tableau sculpture sorte d oeuvre_d art sorte de uvre_df art technique un chaine technique r Sdomaine aquarell instanciation Le Jardin tableau est_un Jerome Bosch auteur technique huile titre Le J rdin des plaisirs Fig 1 10 relations d instanciation et de sp cialisation L attribut est un tablit le lien entre l instance et sa classe l attribut sorte de entre une classe et sa sur classe L instance Le_Jardin est une instance incompl te les attributs largeur et
265. facette d faut qui repr sente une valeur incertaine mais probable est en g n ral utilis e pour faire des inf rences certaines dans un contexte monotone De plus quelques syst mes introduisent des liens d exception qui ne sont pas toujours bien g r s par les m canismes de raisonnement Par ailleurs les syst mes de sch mas ne font pas la distinction entre les caract ristiques d finitionnelles d une classe celles qui doivent tre satisfaites par les instances pour appartenir la classe et les caract ristiques d duites celles qui sont vraies pour les instances de la classe BRA83 cette distinction est un des grands apports des langages terminologiques L analyse pr c dente des avantages et inconv nients des sch mas concerne princi palement l approche d finitionnelle Dans l approche par prototype l avantage principal est son utilisation dans les domaines o l identification des classes est difficile et o les ex perts raisonnent en termes d l ments typiques En ce qui concerne les inconv nients les prototypes pr sentent les m mes probl mes de manque de rigueur nonc s pour l ap proche d finitionnelle Mais leur probl me principal est que le graphe de prototypes induit par la relation de vraisemblance entre prototypes est construit en fonction de l ordre d appr hension des prototypes La validit du raisonnement classificatoire d pend de la discipline de repr sentation du concepte
266. ff rent de tous les autres individus qui d rivent de ce concept Elle est d crite en termes de sa cl de ses classes d appartenance les plus sp cialis es dans les diff rents points de vue qui d terminent son type minimal et d une liste de tuples attribut valeur pour les diff rents attributs du concept qui forment sa valeur Fig 5 23 Une instance TROPES peut tre compl te ou incompl te certaine ou hypoth tique Elle peut voluer et subir des modifications au cours de sa vie C C1 PV amp C2 PV2 amp amp Cx PVx nom_instancel attcl 1 v1 i attcl x Vx attx 1 Vx 1 7 i attn Vn 4 Fig 5 23 Une instance est d crite dans TROPES par sa liste de classes d appartenance et une liste de couples attribut valeur Elle est identifi e par la liste des valeurs de ses attributs cl s attl attn 5 7 1 L identification d une instance Toute instance de la base appartient un et un seul concept Une instance est identifi e l int rieur de son concept par sa cl les valeurs qu elle a pour l ensemble d attributs qui forment la cl du concept une valeur par attribut La cl est unique c est dire que deux instances ayant les m mes valeurs pour les attributs de la cl repr sentent la m me instance Outre l identification s mantique d une instance on peut lui associer un nom une tiquette qui est trait e par le syst me comme un synonyme de la cl Par exemple un
267. ffet si la cat gorie de la base et l objet classer ont un pr d cesseur commun la normalisation compl te perd cette connaissance et la phase de comparaison va comparer des propri t s que l on sait identiques celles de ce pr d cesseur commun Supposons dans l exemple pr c dent que l on veut tablir la relation entre le concept Enfant_ tranger et un concept individuel Paola d crit par Paola Enfant Pr nom Paola Nom Gianini Age 5 Nationalit italienne Avant la normalisation le syst me peut utiliser le fait que aussi bien Paola que Enfant_ tranger sont subsum s par le concept Enfant et ne pas regarder les descripteurs des r les h rit s de ce concept comme le pr nom le nom et le type de l age Apr s la normalisation cette information est perdue et l algorithme de subsomption doit comparer tous les r les Enfin la v rification d inclusion de contraintes des r les vci lt vdi peut tre tr s co teuse Sa complexit d pend des descripteurs offerts par le langage et elle peut 10n a utilis ici la notation propos e par WOO91 pour d finir un concept en termes de ses cat gories primaires et le type de chaque r le 133 entra ner des processus auxiliaires complexes comme des classifications partielles des concepts anonymes sans nom form s par une description pr sents dans la description des r les NEB90 Actuellement plusieurs travaux cherchent
268. fin_tant_que La complexit de l algorithme total de classification peut tre calcul e partir de ses deux comportements extr mes de propagation des passerelles Propagation de toutes les passerelles d s le d but Si les passerelles sont toutes activ es lors de la premi re it ration de la classification alors la proc dure de propagation de marques co te dans sa premi re it ration O pa p h z alors que son co t est constant dans les it rations suivantes 7 2 3 Le r sultat final de la complexit de l algorithme de classification d une instance dans tous les points de vue du concept est dans ce cas h O classification O pa p h z Yp nt 1 a fa p a ft 1 p j 0 O classification O pa p h z p h n a fa p a ft 1 p O classification O p h n a fa p a ft pa z p ou p nombre des points de vue du concept h hauteur maximale des points de vue du concept n nombre maximal de sous classes directes d une classe a nombre d attributs d un concept fa co t pour valider le type pour une valeur d attribut ft co t pour valider l intersection de deux types T1 T2 pa nombre de passerelles du concept Z nombre maximal de sous arbres de C_min marqu s impossible Propagation de toutes les passerelles la fin Si toutes les passerelles unissent des classes feuilles des points de vue alors la propagation se fait pour toutes ce
269. formation La propagation des marques peut produire une sp cialisation de l instance dans un ou plusieurs point de vue PVi autre que le point de vue actuel quand une passerelle est utilis e Ce cas est reconnue par le fait que la classe s re la plus petite de ce point de vue C Min PVi est une sous classe de la classe indiqu e dans le I moule Pour r tablir compl tement la coh rence au niveau de chacun des points de vues modifi s il faut mettre jour le type de l instance gard dans le I moule Cette tape de la classification calcule le type des nouvelles plus petites classes s res des diff rents points de vue et met jour le type de l instance qui va tre le type intersection du type de l instance ce moment et des types de ces nouvelles classes s res Ainsi par exemple si le syst me ne peut plus rien d duire des points de vue principaux dans la classification de l appartement chez_Dugand et si en regardant le point de vue auxiliaire Taille il arrive sp cialiser l instance I vers la classe Plus_de_3P alors par propagation de marques la classe Haut du point de vue Financier est marqu e s re c est la classe destination d une passerelle dont toutes les sources sont s res Fig 6 15 et elle devient la nouvelle plus petite classe s re de I dans ce point de vue Comme cette classe est devenue une classe s re pour l instance celle ci valide son type La proc dure de mise jour de l infor
270. forme propositionnelle Par opposition cette forme peu structur e de la connaissance les mod les structurels comme les sch mas et les repr sentations centr es objet regroupent des connaissances d une situation d un v nement ou d un objet du monde dans des paquets chunks accessibles en tant qu unit s L id e d empaqueter des connaissances chunking apparait en psychologie dans les travaux de Bartlett BAR64 Bartlett soutient que dans son activit cognitive quotidienne l homme utilise des paquets de connaissances repr sentant des exp riences pr c dentes pour interpr ter une nouvelle connaissance Il choisit la structure la plus proche de la situation courante et l adapte pour la faire correspondre a la nouvelle situation En 1973 Schank prend les id es de paquets de connaissances de Bartlett pour construire des mod les de repr sentation du langage naturel Peu apr s en 1975 Minsky propose le premier formalisme informatique utilisant ces m mes id es L unit de repr sentation des connaissances propos e par Minsky est le sch ma frame structure dynamique repr sentant des situations prototypiques comme par exemple aller un res taurant ou acheter un cadeau Le sch ma contient les informations sur la situation typique ce qui peut arriver les actions a entreprendre dans chaque cas etc En tant que prototype de tout un ensemble de situations le sch ma a des informations g
271. g 7 9 L ajout de ces passerelles est justifi par la compl tion du SC C est le cas de la passerelle pi de Bz vers Ym sg w Il est facile de v rifier que b gt p d y c gt g d Donc G est localement confluent et comme le SC est noeth rien il est confluent d apr s le lemme de Newmann pour les syst mes de r criture 7 1 8 Algorithme de classification Nous avons analys la correction et la performance des algorithmes qui font la classification des instances dans un SC Etant donn un SC un algorithme de classification doit partir d un x X et produire comme r sultat une S classification pour x La d finition suivante concerne les algorithmes qui produisent une telle classification en utilisant seulement les fonctions de classification d finies pour le SC Soit s x un SC et le graphe G ECA io js Pour xex une S trace de classification pour x not e S x est un chemin de longueur maximal en G et dont l tat initial est lt x x gt Si S x est fini alors S x finit en une S classification tat terminal Soit H un ensemble de S traces H est un algorithme de classification pour S ssi Vxe x il existe une S trace s x eH Un r sultat H x est une S classification quelconque de x qui est un tat terminal d une S trace s x eH Un algorithme de classification H est d terministe si pour chaque xex il n existe qu une S trace s x eH Corollaire La complexit d
272. haque point de vu elle et rattach e a la classe la plus sp cialis e pour laquelle l instance satisfait toutes les contraintes sur les attributs Cr ation d une instance Lors de la cr ation d une instance dans la base l utilisateur peut donner explicitement ses classes d appartenance aussi nomm es dans ce cas classes d instanciation Ces classes sont donn es dans l ent te du sch ma de l instance Si pour un point de vue la classe de rattachement n est pas donn e elle est suppos e tre la classe racine du point de vue Par exemple une instance du concept Appartement appartenant la classe F2 du point de vue Taille et la classe centre_ville du point de vue Localisation et pour laquelle on n a pas d information sur le point de vue Financier Fig 5 24 est d crite par un sch ma ayant l ent te Appartement F2 Taill amp centre _vill Localisation Au moment de la cr ation d une instance l utilisateur peut ne pas conna tre toutes les valeurs des attributs du concept pour l instance Les valeurs connues doivent satisfaire le type de cet attribut pour l instance c est dire l intersection des types des domaines de cet attribut dans ses diff rentes classes d appartenance Pour les autres attributs le syst me peut supposer qu ils satisfont les types de ces attributs pour les classes d appartenance m me si leurs valeurs ne sont pas connues Cela est vrai car lorsque l on cr e
273. he A est plong dans le graphe B si tous les l ments de A sont dans B et toute relation entre deux l ments dans A est pr sente dans B 136 4 4 3 D autres syst mes de classification de cat gories Missikoff et Scholl MIS amp 88 font aussi la classification de types partir du forma lisme de types de Cardelli CAR84 Ils d veloppent un algorithme pour ins rer un nou veau type dans un treillis de types Bien que l algorithme de classification apporte des id es int ressantes la mise a jours du treillis est couteuse et le graphe comporte des types artificiels qui ne correspondent pas une structure particuli re du monde repr sent Il est important de noter que la structure de l algorithme de Caponni et Chaillot CAP amp 93 que nous venons de pr senter favorise la classification interactive en effet chaque tape de la classification l utilisateur peut voir les r sultats partiels et modifier l ordre d ajout d information en cons quence L utilisateur peut donner graduellement la description du nouveau concept et il peut voir clairement les conformations successives des sur classes et sous classes directes possibles observant ainsi l impact de chaque attribut sur le r sultat final de la classification de la classe ce qui n est pas en g n ral le cas pour les algorithmes de classification des logiques terminologiques Finin FIN86 propose aussi un algorithme interactif pour faire de la classifica
274. he la m thode de calcul avec les param tres propres l instance et obtient comme r ponse de la m thode la valeur recherch e Si la m thode choue ou s il n y a pas de r flexe de calcul pour l attribut en question le syst me donne l instance la valeur par d faut de cet attribut Bien que tr s utile l attachement proc dural pour un calcul ne peut tre utilis par le m canisme de classification d instances en effet ce m canisme attach un attribut d une classe ne peut tre d clench que pour les instances de cette classe il ne peut pas tre utilis lors de la validation de l appartenance d une instance la classe R flexe de contr le Les r flexes de contr le appel s aussi d mons sont des fonctions qui s activent automatiquement lors des acc s aux attributs des instances programmation dirig e par les acc s STE amp 86 De m me que les r flexes de calcul les r flexes de contr le sont d crits comme des facettes des attributs qui les activent ils servent v rifier la validit des actions sur ces attributs et d clencher d autres actions Les r flexes de v rification si possible ou v rifier permettent de v rifier qu une modification d un attribut est va lide la r ussite ou l chec d un calcul d un attribut peuvent d clencher des actions atta ch es aux r flexes si succes et si echec enfin apr s la modification d un attribut les r flex
275. hme est que des classes s urs repr sentent des ensembles disjoints d instances Xi n Xj pour tout izj C est gr ce cette hypoth se que l appariement peut tre formalis par une fonction une instance d une classe appartient au plus une des sous classes de la classe La fonction de classification rend 0 ou le num ro de la sous classe vers laquelle doit descendre l instance La fonction rend 0 quand l instance ne peut tre descendue vers aucune des sous classes de X Ce cas peut signifier ou bien que la division en sous classes n est pas exhaustive et que la classe d appartenance de l instance la plus sp cialis e est X ou bien que l instance est incompl te et qu avec l information disponible le syst me ne peut pas poursuivre la descente dans ce point de vue Par exemple Fig 7 1 la sp cialisation de la classe matrice carr e en des classes Sym trique et Non Sym trique correspond la forme de classification FC lt X X 1 X2 f gt o X matrice carr e X Sym trique X2 Non_Sym trique et f est la fonction d finie par f X gt 0 1 2 f M 1 si Mij Mji i j 1 m 2 sinon m est la dimension de M et Mij sa valeur dans la position Gj La partition tant exhaustive X X1 U X2 f ne rend jamais 0 Fig 7 1 La sp cialisation de la classe Matrice carr e en sym trique et Non_Sym trique peut tre d crite par la forme de classification FC lt X X1 X2 f gt avec X
276. hrases de langage naturel et expliciter le sens des composants de la phase 48 Les concepts d un graphe peuvent tre g n riques et individuels les concepts g n riques correspondent aux variables en logique et repr sentent des individus non sp cifi s les concepts individuels identifi s par un marqueur correspondent aux constantes de la logique et d crivent un individu particulier du monde Tout concept a un type associ personne chose entier etc qui d termine une structure pour le concept si le concept est bien form il est conforme au type il valide ses contraintes Les types sont structur s dans un treillis de types induit par la relation de sous typage cette relation d ordre a comme l ment maximal le type universel T et comme l ment minimal le type absurde 1 Le treillis de types permet d inf rer des relations de conformit entre un concept et un type ainsi tout individu conforme un type t l est aussi tous les sur types de t dans le treillis y compris le type universel si un concept est conforme a deux types s et t alors il l est aussi au type intersection sot enfin aucun concept n est conforme au type absurde Les graphes canoniques sont des primitifs de repr sentation Ces graphes ont une s mantique associ e et dite correcte pour la repr sentation Pour viter la g n ration des graphes absurdes tout syst me de graphes conceptuels doit partir d une base initiale d
277. hybrides syst mes de repr sentation de connaissances bas s sur la classification CBS langages de subsomption de termes TSL langages terminologiques syst mes de classification de termes TC ou encore famille de KL ONE 43 Repr sentation de la connaissance Les logiques terminologiques incluent deux langages le langage terminologique TBox et le langage assertionnel ABox Le langage terminologique sert d crire les termes ou concepts du monde partir de concepts plus simples et d op rateurs de forma tion de structures le langage assertionnel d crit partir des termes des propositions de croyance sur l tat du monde Ainsi l expression un p re dont les enfants sont des avo cats d crit un terme tandis que la phrase Rover est un chien marron trois pattes in dique une assertion une proposition dont la valeur de v rit d pend du contexte d valuation Langage terminologique De m me que les sch mas les logiques terminologiques structurent la connaissance autour des objets le principal type d objet de repr sentation est le concept un concept est la description d une structure potentiellement complexe Un concept est compos d un ensemble de r les propri t s parties etc et un ensemble de conditions structurelles qui expriment des relations entre les r les Le langage terminologique comporte un en semble limit d op rateurs sp cialisation restriction
278. ication de classes est tudi pour le mod le TROPES Pour ce faire il exploite la notion de type qui est sous jacente celle de classe Un r sultat attendu de ce travail est aussi la v rification de la coh rence structurelle d une base De par son orientation inter disciplinaire le mod le TROPES va devoir faire face deux probl mes r els la grande quantit de connaissances et la coop ration entre les diff rents utilisateurs Actuellement un travail est men sur la prise en compte du partage de la base de connaissances par plusieurs utilisateurs Enfin une premi re application r elle de TROPES est en cours de d veloppement dans le domaine de la biologie mol culaire L objectif est de fournir aux biologistes mol culaires un environnement coop ratif d analyse de s quences g nomiques Ce domaine scientifique r unit les caract ristiques n cessaires la validation du mod le et offre un large champ d investigation pour les futures versions de TROPES En effet il consid re de grandes bases de connaissances de natures diverses descriptives m thodologiques textuelles et graphiques 267 268 Annexe Syntaxe du langage de TROPES 270 Annexe Syntaxe du langage de TROPES Nous donnons dans cette annexe la grammaire d finissant la syntaxe du langage TROPES Cette grammaire est utilis e pour g n rer une base de connaissance TROPES l aide du g n rateur d analyseur syntaxique YACC La
279. ie d affinement id e prise par PIE BOB amp 80 etc Bien que la cr ation de classes partir d un groupe d exemples soit une activit primordiale pour la compr hension d un domaine de connaissance particulier tel que la botanique et la min ralogie la puissance principale du raisonnement par classification concerne la classification d un individu dans une structure de classes d j cr e Selon Clancey CLASS la r solution de probl mes inclut des tapes de classification Clancey explique que pour r soudre un probl me un syst me expert commence par le classer dans une hi rarchie de probl mes connus pour trouver un probl me connu semblable Par une association heuristique il trouve la solution de ce probl me connu dans une hi rarchie de solutions puis 1l affine cette solution par une autre proc dure de classification pour la faire correspondre au probl me r soudre Fig 4 1 type de probl mes type de solutiohs ABSTRACTION AFFINEMENT Fig 4 1 Pour r soudre un probl me une personne le classe dans une structure de probl mes connus lui associe le type de solution correspondant sa place dans cette structure puis il affine cette solution en la descendant dans la structure de solutions 120 Ce processus que Clancey appelle classification heuristique est utilis par des syst mes experts comme MYCIN expert en diagnostic m dical MYCIN fait une liaison heuristique entre une caract ri
280. iement entre une situation particuli re et un sch ma connu Malgr ces similitudes de base la plupart de ces syst mes proposent des approches diff rentes pour des aspects tels que le traitement des valeurs par d faut les syst mes de sch mas la fa on de faire l appariement et m me la signification li e aux sch mas Ce dernier aspect a donn lieu deux types de repr sentations la repr sentation par prototype et la repr sentation par cat gories ou d finitionnelle Dans l approche pro totypique tout sch ma repr sente une situation ou objet prototypique d une cat gorie g n rale implicite par exemple le sch ma de Pel d crit un prototype de joueur de football ideal cette approche tout en tant la plus fid le aux id es de Minsky n est pas la plus r pandue LIE86 Repr senter la connaissance g n rique d un domaine 1 Cette notion de points de vue des sch mas de Minsky est trait e plus en d tail dans la section 3 1 38 d application par des prototypes n est pas toujours naturel de plus le raisonnement avec une structure de prototypes pose de graves probl mes 2 6 2 Par opposition l ap proche prototypique l approche d finitionnelle distingue deux types de sch mas les sch mas de classe et les sch mas d instance Les sch mas de classe repr sentent une cat gorie d objets du monde par exemple les joueurs de football ideaux les sch mas d i
281. ification seulement s ils permettent de d duire des informations utiles cette descente Par ailleurs un point de vue principal duquel on a d j tir toute l information possible n est plus utile la classification non plus Ainsi tout moment de la classification un point de vue peut tre actif s il sert encore au but de la classification ou inactif sinon Point de vue actif Un point de vue actif est un point de vue qui est encore utile pour la classification de l instance Tout point de vue principal est actif s il a un arbre actif non vide c est dire s il a des classes non marqu es il n a aucune classe marqu e comme s re terminale Un point de vue auxiliaire ou cach est actif s il a au moins une passerelle active une passerelle active est une passerelle dont une des classes n a pas encore t marqu e Fig 6 7 Point de vue inactif Tout point de vue ayant une classe marqu e comme s re terminale est inactif Fig 6 8 Un point de vue auxiliaire ou cach est inactif s il n a pas de passerelles actives 6 2 5 Invariants de la classification L invariant d une boucle est un ensemble d assertions sur l tat des l ments qui interviennent dans la boucle et qui doivent tre valides avant chaque it ration et a la fin L invariant de la classification peut tre d crit de fa on informelle par l assertion La classification se d rouler correctement qui veut dire
282. ig 8 6 Concept Personne vu des points de vue Odeur PV1 et Aspect PV2 Si un t moin se rappelle d avoir senti l odeur d un parfum lors de la fuite de assassin alors l instance est tout d abbord attach e la classe D PV1 et la racine P 255 du point de vue PV2 Si de plus il croit que l assassin avait un parfum sec alors il peut faire l hypoth se de la valeur sec pour l attribut parfum Cette hypoth se fait descendre l instance vers la classe D2 PV1 et par une passerelle la classe C22 PV2 Le premier contexte hypoth tique est ainsi cr Fig 8 7a PV1 PV2 PV1 PV2 1 ije r pile a c Classes D2 PV1 C22 PV4 Classes D1 PV1 C21 PV2 L_Imp _ L_Imp _ Hypoth ses parfum M Hypoth ses parfum b Classes D22 PV1 C223 PVY2 L_Imp Hypoth ses peau noire Fig 8 7 I commence attach e la classe D PV1 et la racine de PV2 L hypoth se parfum sec fait descendre l instance vers D2 PV1 et C22 PV2 L algorithme cr e le contexte hypoth tique a L hypoth se peau noire entra ne la cr ation du contexte b Enfin la modification de l hypoth se sur la valeur de parfum entra ne effacement de a et de b et la cr ation d un nouveau contexte c Si de plus il fait l hypoth se que la couleur de la peau de l assassin est noire alors l instance hypoth tique descend vers les classes C223 PV2 et D22 PV1 et le
283. imp Imp1 Imp n Fig 7 15 Avec l information de la plus petite classe s re C_min pour l instance et les racines des sous arbres impossibles de C_min le syst me peut retrouver la marque correcte de toute classe du point de vue Ainsi partir de la plus petite classe s re d un point de vue C_min et de la liste des racines des arbres impossibles qui sont sous arbres de C_min L_imp on peut retrouver la marque de toute autre classe du point de vue En effet la fonction marque C C_min L_imp peut tre d finie par marque C C min L imp si sur_classe_egal C C_min gt SURE sinon si J i i L_imp tel que sur_classe_egal 1 C gt IMP sinon si sur_classe_str C_min C gt non marqu sinon gt IMP o sur_classe_egal C S est un pr dicat qui rend TRUE si S lt C sur_classe_str C S est un pr dicat qui rend TRUE si S lt C et S 4 C Pour r soudre chacun de ces pr dicats il faut remonter par les liens des sur classes de S jusqu C ou jusqu la racine Ainsi si j niveau dans le point de vue de la nouvelle classe actuelle h hauteur maximale de l arbre de classes point de vue Z nombre maximal de sous arbres de C_min marqu s impossibles alors sur_classe_egal C C_min doit parcourir au maximum j niveaux i iec L_imp tel que sur_classe_egal 1 C Pour r soudre cette partie le syst me examine C puis toutes ses sur classes au plus h classes Pour chacune d
284. imples 1A la diff rence des attributs d finis des instances compos es les attributs composants n utilisent pas les descripteurs de domaine car celui ci n a pas de sens en effet les composants tant cr e apr s et pour les objets composites leurs cl s ne sont pas connues en avance et on ne peut pas les num rer pour indiquer un domaine 259 automobile m canique automobile m canique propulsion arri re Autom traction avant propulsion arri re traction physiqu utilisation particulier trans magchandisgg Bais ha ort utilitaire nun Etat initial Etat final Classification Fig 8 9 Classification multi points de vue d un objet composite La classification d objets composites en TROPES est un sujet de recherche actuel du groupe En effet plusieurs questions restent a r soudre Quelle s mantique accorder a la diffusion de valeurs et comment l exprimer Comment exprimer et g rer les contraintes existantes entre le tout et les parties et entres deux parties Et enfin comment pr senter et expliquer la classification d objets composites CRU92 Par ailleurs un m canisme pour la g n ration automatique de versions d un objet composite est en cours de r alisation Ce m canisme est une extension de la classification qui voit son application pour un mod le de t ches GEN amp 92 Conclusion Dans ce chapitre nous avons pr sent trois ex
285. impossible en fonction de l information disponible Fig 6 1 Classification multi points de vue de I tat initial D gt tat final s reO possible impossible Fig 6 1 Classification multi points de vue dans TROPES L information minimale de l instance son concept et sa cl permet de la rattacher aux racines des points de vue a partir de cet tat initial la classification la fait descendre le plus bas possible dans tous les points de vue Tout au long de ce chapitre l affirmation L instance I appartient a la classe C signifie que I satisfait les contraintes de C et qu elle est un membre de l ensemble potentiel d instances de C Il faut noter que cela n implique pas que I soit physiquement attach e a C le rattachement tant une d cision de l utilisateur 184 L algorithme de classification cherche les classes d appartenance les plus sp cialis es pour l instance dans les diff rents arbres de classification des diff rents points de vue de son concept A la diff rence des algorithmes de classification d instances pr sent s auparavant 4 on ne traite pas ici d un graphe de classification mais d une f ret d arbres de classification un syst me de classification le parcours de ce syst me de classification se fait par deux types de descente la descente classique de l instance vers une des sous classes de sa classe d appartenance courante et la descente vers une class
286. incipal des repr sentations de connaissances objets ayant l approche classe instance REC88 en effet dans une grande base de connaissances ce m canisme permet d utiliser la connaissance existante pour r soudre un probleme nouveau N La classification de classes pour sa part sert surtout a mettre a jour la connaissance de la base et a faire respecter la coh rence de cette connaissance Dans certains syst mes comme les logiques terminologiques la classification de concepts correspondant aux classes dans les RCO est le m canisme de raisonnement principal SCH amp 83 McGRE91 Enfin ces deux types de classifications peuvent tre utilis s pour la recherche d information l objet classer joue alors le r le d un filtre d instances Dans la suite du chapitre nous allons discuter plus en d tails de la classification de classes et de la classification d instances ou individus 122 4 3 Composants de la classification Le terme classe est couramment utilis dans les repr sentations par objets pour d crire une structure particulier un filtre qui d signe un ensemble d individus semblables une base de connaissances tant un graphe de classes Ce m me type de connaissances est appel dans les logiques terminologiques un concept Par la suite nous allons utiliser le terme classe lorsque nous nous pla ons dans le cadre des repr sentations par objets et le terme concept pour les logiques terminologiq
287. individus de l univers du discours Cependant l interdiction du masquage r duit le pouvoir expressif du langage et s av re une grande limitation dans des domaines ayant un grand nombre d exceptions 2 6 3 Mod le classe instance logique terminologique Les logiques terminologiques et les repr sentations objets ayant l approche classe instance ont plusieurs attributs en commun en particulier le m canisme principal de raisonnement dans les deux cas est la classification Malgr leurs origines 91 diff rentes les logiques terminologiques proviennent des r seaux s mantiques et les repr sentations objets des sch mas de Minsky les deux types de syst mes repr sentent le monde en termes de ses l ments des concepts dans le cas des logiques terminologiques des classes et des instances dans les repr sentations objets De plus ils organisent ces objets dans une structure induite par une relation d ordre partiel Les logiques terminologiques structurent les concepts l aide de la relation de subsomption qui d termine qu un concept subsume un autre si l ensemble d objets satisfaisant la description du premier inclut l ensemble d objets satisfaisant celle du deuxi me 1 3 5 Dans les repr sentations objets on trouve deux types de liens le lien de sp cialisation entre classes qui correspond la subsomption intensionnelle et le lien d appartenance qui lie un individu particulier
288. information de chacune de ses r ponses R duire le nombre de classes tester Pour le premier principe la proc dure d appariement essaye de r duire le nombre de classes tester soit en identifiant d s le d but la seule classe s re de l ensemble S1 Sn premier pas soit si cela n est pas possible en identifiant les classes impossibles pour les enlever de l ensemble consid rer deuxi me pas Premier pas Nous avons dit auparavant que pour v rifier si une classe Sj est s re pour I il faut soit comparer la valeur soit le type de chaque attribut de I avec le type de cet attribut dans Sj Comme la deuxi me v rification peut tre co teuse seule la premi re sera consid r e dans ce premier pas Ainsi le premier pas de la proc dure prend parmi l ensemble S1 Sn les classes n ayant que des attributs qui sont valu s dans l instance et pour chacun d eux elle teste si la valeur dans l instance satisfait les contraintes Si en faisant cette v rification elle d termine une classe s re l appariement s arr te car par l hypoth se d exclusivit des classes s urs toutes les autres classes de ce niveau sont impossibles si aucune classes s re n est trouv e l appariement continue avec le deuxi me pas Deuxi me pas De m me que pour le premier pas l algorithme ne fait ici que des comparaisons entre les valeurs des attributs dans l instance et leur type dans la classe Il examin
289. inir une cat gorie par sa structure consiste donner toutes les propri t s qu ont les membres de cette cat gorie et indiquer pour chaque propri t son type le type d une propri t est d crit par son domaine de valeurs et ventuellement par des contraintes dynamiques exprim es sous forme de pr dicats Si la d finition est compl te les propri t s tablissent des conditions n cessaires et suffisantes d appartenance la cat gorie elles sont individuellement n cessaires et collectivement suffisantes c est dire qu un objet doit les satisfaire pour tre membre de la cat gorie et tout objet les satisfaisant en est un membre 2 2 4 La d finition structurelle de la cat gorie tablit ainsi une description qui sert d une part v rifier si une instance appartient une cat gorie et d autre part cr er des objets de cette cat gorie avec la structure ad quate V rifier l appartenance d une instance une cat gorie consiste ici v rifier que l instance ait des valeurs valides qui satisfont le type pour toutes les propri t s de la cat gorie Deux valeurs pour la relation d appartenance De m me que pour la d finition fonctionnelle lorsque l on manipule des objets pour lesquels on a toute l information on peut dire pour un objet et une cat gorie donn e si l objet appartient la cat gorie il suffit de v rifier qu il a des valeurs pour toutes les propri t s d
290. instances compos es dans le cas moyen le descripteur type d un attribut comporte une seule classe d appartenance pour les instances qui valident cet attribut auquel cas fat O tt Si l on suppose que les attributs multi valu s sont d crits en g n ral par le domaine de base sauf quand le nombre de multi_valeurs est tr s faible alors on a pour les attributs prenant leurs valeurs dans un concept ordonn T une complexit qui peut tre g n ralis e a fa O tt in ou tt co t de v rification de l appartenance d une instance une classe in nombre d intervalles du domaine Pour les attributs de concepts non ordonn s une complexit de 229 fa O tt t c o co t de v rification de l appartenance d une instance une classe nombre d l ments permis ou exclus du domaine de base cardinalit maximale pour une multi valeur Enfin pour les attributs prenant des valeurs dans les concepts primitifs tt s o s est le bas co t d une v rification simple et la complexit est O in et O t c respectivement Par la suite nous allons faire l analyse de la complexit de la proc dure de classification en calculant la complexit pour chacun de ses pas 7 2 2 Complexit de la proc dure d obtention d information Dans la proc dure d obtention d information le syst me compl te l information de la classe actuelle en demandant l utilisateur des valeurs d
291. int de vue rubrique Si l on s pare ces points de vue les graphes d h ritage deviennent des arbres Fig 3 7 b une instance de la classe frais hebdomadaires d ordinateurs pour la recherche du graphe original correspond dans la repr sentation multi points de vue du point de vue rubrique un frais d ordinateur et du point de vue temporel un frais hebdomadaire Point de vue temp hebdomadaires d ordinateurs pour larechercfe a b Fig 3 7 a repr sentation sans point de vue des frais d une entreprise pris de GOO79 plusieurs classes sont des sp cialisations multiples b repr sentation avec deux points de vue temps et rubrique Dans les sections suivantes nous discutons quatre syst mes qui exemplifient assez bien les diff rentes fa ons de repr senter explicitement les perspectives dans les repr sentations par objets KRL LOOPS ROME et VIEWS 3 2 2 KRL D velopp comme un outil de construction de syst mes pour la compr hension du langage naturel KRL Knowledge Representation Language BOB amp 77 est un mod le mixte qui inclut de la connaissance proc durale et une base d clarative structur e Dans la description des unit s d claratives KRL est le premier syst me reconna tre qu un objet peut tre vu de plusieurs fa ons selon le point de vue de l observateur Une unit de KRL est un ensemble de descriptions qui sert comme r f rence mentale unique des entit s et c
292. intersection entre le type global et le type de la nouvelle classe Comme l instance est rattach e plusieurs classes une classe par point de vue son type est l intersection des types de toutes ces classes 5 7 3 La valeur d une instance La valeur de l instance est la liste l enregistrement des couples attribut valeur correspondant aux attributs du concept La valeur de l instance chez_Dugand est la liste adresse 6 rue Monge 75005 A tage 2 num ro 4 surface 76 loyer 4500 nb_pi ces 2 En fait la valeur d une instance est l instance elle m me elle peut tre donn e explicitement comme dans l exemple pr c dent ou bien en indiquant sa cl ou identification La valeur vx d un attribut ax d une instance I satisfait le type de ax de toutes les classes de I c est a dire le type intersection des types de ax des classes d appartenance de I Enfin il est important de signaler qu une instance peut tre incompl te c est dire elle peut avoir des attributs non valu s avec une valeur inconnue marqu e 1 Cette caract ristique est d ailleurs une des grandes diff rences entre les bases de connaissances et les bases de donn es en effet dans ces derni res les instances ne peuvent pas avoir des valeurs inconnues elle doivent tre compl tes 5 7 4 Relations d appartenance Toute instance d un concept est visible par sa cl depuis tous les points de vue du concept et dans c
293. iomes concernent aussi bien l appartenance expli cite de l instance un concept ou un ensemble de concepts Ci que certaines caract ristiques restrictions de r les connues Fi et ses relations avec d autres instances les valeurs de certains de ses r les 141 Une instance appartient un concept elle est un membre de l ensemble d crit par le concept si elle satisfait la description du concept c est dire si elle satisfait chacune des caract ristiques de la description du concept 4 3 1 Ainsi toute instance d un concept doit tre instance des concepts primaires du concept doit poss der les r les d crits dans le concept et les fillers valeurs de ces r les doivent satisfaire les caract ristiques de ces roles dans le concept La classification d instances individus dans les logiques terminologiques consiste trouver les concepts les plus sp cialis s du graphe de concepts dont l instance est un membre Ainsi si T d note l ensemble d axiomes terminologique TBox du langage et W les assertions du monde Abox le processus de classification d une instance c revient trouver l ensemble de concepts les plus sp cialis s de la base MSC c tels que l appartenance de c chacun de ces concepts est une cons quence valide de T U W Ainsi si MSC c alors T U W l A c et si T U W l B c alors il y a un A tq Ae MSC c et TUWI AC B ou c est la relation de sp cialisation de
294. ion d une perspective peut tre repr sent e par une vue dont les seules relations sont la sp cialisation et l instanciation 3 3 Les perspectives et les objets composites Dans la section 2 5 nous avons pr sent les diff rentes relations de compositions existant entre un objet composite et ses parties et nous avons discut diff rents types de syst mes qui manipulent les objets composites Dans cette partie nous allons voir comment l ajout de la notion de points de vues dans une repr sentation entra ne des cons quences sur la d composition d un objet composite En effet la d composition en parties d un objet n est pas unique elle d pend des objectifs du concepteur de la base things are often described in terms of parts and wholes the way the division into parts is made depends on the purpose of the analysis Ainsi deux observateurs regardant le m me objet vont le d composer diff remment selon leurs points de vue Comme nous avons dit auparavant 3 1 par 2 nous travaillons sur la base qu un objet a une r alit unique ainsi deux points de vue sur le m me objet doivent tre coh rents tant au niveau des propri t s qu au niveau des composants Tr s peu de syst mes permettent la repr sentation de d compositions multiples DAV87 BLA amp 87 SUS amp 80 WOL amp 91 Dans CONSTRAINTS SUS amp 80 un langage de r seaux hi rarchiques de contraintes pour la mod lisation de circuits l
295. ion de classes d un m me point de vue toute instance d une de ces classes est une valeur valide pour l attribut c est le cas de l attribut fils de l exemple pr c dent Par exemple on peut d finir pour la base immobili re les locataires riches du point de vue financier comme des personnes qui habitent dans un grand appartement au centre ville et amp qui ont des voitures de luxe ou classiques Fig 5 18 classe Locataire Riche Financier sorte de Locataire habite un centre _ville Localisation amp plus_de_3 Taille voitur ns_d de_luxe Physique classique Physique Fig 5 18 Dans la classe Riche l attribut habite est restreint aux instances appartenant la classe centre_ville du point de vue localisation et amp la classe plus_de_3 du point de vue taille l attribut voiture peut prendre ses valeurs dans la classe de_luxe du point de vue physique d un concept automobile ou dans la classe classique de ce m me point de vue Descripteurs de valeurs valides Les descripteurs contraignant les valeurs admises pour un attribut dans une classe sont les descripteurs domaine et sauf Le descripteur domaine indique l ensemble de valeurs possibles soit par num ration exhaustive des l ments soit par des intervalles si le concept est ordonn Si le domaine n est pas donn explicitement il comporte toutes les valeurs du type d fini pour l attribut pour cette classe Le descr
296. ipteur sauf indique les valeurs du domaine qui ne sont pas valides Ainsi par exemple la description d une classe appart_bonne_chance du point de vue Localisation du concept Appartement peut inclure pour l attribut cl tage un descripteur domaine indiquant les valeurs possibles et un descripteur sauf en excluant quelques unes Fig 5 19 lUn concept ordonn est un concept pour lequel les instances ont une relation d ordre total par exemple le concept primitif entier et le concept d finit date avec une relation d ordre tablie sur les attributs cl s ann e mois jours 168 classe Appartement Appart_ bonne chance Localisation sorte_de Appartement tage domaine 0 15 sauf 13 Fig 5 19 Le domaine de valeurs valides pour tage est 0 1 2 3 4 5 6 7 8 9 10 11 12 14 et 15 c est dire toutes les valeurs indiqu es dans le descripteur domaine moins celle exclue par le descripteur sauf Descripteur de cardinalit Pour les attributs a caract re multi valu le descripteur card indique le nombre de valeurs l mentaires que peut comporter la valeur de l attribut card peut tre une valeur simple ou un intervalle de valeurs permises Ce descripteur sert 4 indique par exemple que les locataires assez riches ont au moins deux voitures et au plus quatre Fig 5 20 classe Locataire Assez_Riche Financier sorte_de Riche voiture card 2 SA 3 Fig 5 20 Toute instance de la cl
297. ir utilisateur gt finir TRUE Cette proc dure a une complexit O 1 O p ot p est le nombre de points de vue du concept COMPLEXITE DU CHOIX DU PROCHAIN POINT DE VUE O choix du prochain point de vue O p ou p nombre des points de vue du concept 7 2 7 Complexit totale de l algorithme de classification Apr s avoir calcul la complexit de chacun des pas de la boucle de classification nous terminons par le calcul de la complexit totale de l algorithme de classification construire_ tat_initial tant_que not fini obtenir_information faire_appariement propager_marques mettre_a_jour_ _information choisir_prochain_point_de_vue fin_tant_que Soient p nombre des points de vue du concept h hauteur maximale des points de vue du concept n nombre maximal de sous classes directes d une classe Z nombre maximal de sous arbres de C_min marqu s impossible a nombre d attributs d un concept fa co t pour valider un type pour une valeur d attribut pa nombre de passerelles du concept ft co t pour calculer l intersection de deux types d un attribut 239 La complexit de chacun des pas est report e dans le cycle de classification tant que not fini O obtention d information O a fa O appariement O n a fa O propagation de marques O pa2 p h z ou O pa p h z O mise a jour de l information O p a ft O choix du point de vue O p
298. ire l horaire de travail etc sont m lang s avec des attributs qui concernent son profil professionnel domaine de recherche cours donn s etc L exemple pr c dent indique que lorsque l on repr sente plusieurs points de vue dans une m me hi rarchie de classes le graphe r sultant a plusieurs classes s urs non disjointes une telle structure donne lieu aux sp cialisations multiples et aux probl mes d h ritage multiple d attributs soulign s auparavant 2 4 2 L analyse inverse montre que dans la plupart de cas le probl me de l h ritage multiple se pr sente lorsque l on m lange dans une m me hi rarchie des points de vue diff rents En effet dans les exemples des graphes de classes ayant des sp cialisations multiples FIK amp 85 STE amp 85 etc deux classes s urs ayant des sous classes communes correspondent deux points de vues diff rents 1 CORS6 pr sente une solution alternative au multi h ritage qui conserve la structure arborescente de la hi rarchie mais qui cr e plusieurs occurrences d une m me classe Ainsi par exemple en dessous de CHAQUE feuille du graphe du domaine Fig 3 4 il y aurait les trois classes maitre conf assistant et professeur 103 Ainsi par exemple la hi rarchie des frais d entreprises Fig 3 7 a pr sent e dans GOO79 comme un exemple d h ritage multiple du syst me KLONE d crit deux points de vues de ces frais le point de vue temps et le po
299. ire son appartenance une classe destination d un autre point de vue Dans ce cas qui g n ralise le cas pr c dent une passerelle est d crite par la liste de ses classes sources des diff rents points de vue et la classe destination d un autre point de vue Soit C un concept PV PVj des points de vue de C et soit E1 E des classes de C Ej tant une classe du point de vue PVj not e C Ej PVj et soit D une classe de C du point de vue PVn n 1 1 Une passerelle unidirectionnelle des Ej vers D d crite par pass deat GE Pip Cero VS DOUCE VV 1 vers C D PVh 161 correspond aux assertions vx e C xe E PVj4Axe E2 PV94 4xeE PVi xe D PVh yx e C x satisfait les contraintes de E PV et celles de E2 PV et celles de Eji PVj x satisfait les contraintes de D PV Supposons par exemple que l on sache que tous les appartements de plus de trois pi ces qui se trouvent en centre ville sont chers on peut exprimer cette information dans TROPES par une passerelle indiquant que tout appartement qui est la fois instance de la classe plus_de_3_pi ces du point de vue Taille et instance de la classe centre_ville du point de vue Localisation est aussi instance de la classe haut_prix du point de vue Financier Fig 5 13 passerelle unidirectionnelle Appartement Taille Financier Fig 5 13 Une passerelle peut avoir plusieurs sources mais une seule destination Pour appartenir
300. isant des inf rences partir de la s mantique bien d finie des relations de composition Dans le chapitre 3 nous proposons une relation de composition d finie en termes de points de vue 2 6 Comparaison avec d autres approches La repr sentation objets a t tr s souvent confondue avec la programmation orient e objet bien que cette derni re concerne les langages d impl mentation et la repr sentation objets la mod lisation d clarative du monde Dans cette derni re partie du chapitre nous d taillons les diff rences entre ces deux termes ainsi que les diff rences moins nettes mais aussi importantes entre les repr sentations objets ayant l approche classe instance et les repr sentations objets ayant l approche par prototypes Enfin nous faisons une comparaison avec les logiques terminologiques qui tout en restant des successeurs des r seaux s mantiques ont volu s vers une repr sentation centr e concepts qui ressemble la repr sentation centr e classes instances de notre approche 87 2 6 1 Repr sentation objets langage orient objets Un syst me base de connaissances pr tend r soudre un probl me en effectuant des inf rences sur des connaissances sp cifiques un domaine Les connaissances de ce domaine sont d crites sous forme d clarative l aide d objets structur s La s mantique donn e ces objets est guid par la s mantique du monde mod liser et
301. istant avec l tat e2 galement atteint par l instance car les classes Sym trique et Non_Sym trique du point de vue Forme ne sont pas comparables par la relation d ordre entre classes l tiquette de l une n est pas pr fixe de l tiquette de l autre e s est complet par rapport aux passerelles not Pas complet si toutes les sous classes d une source d une passerelle sont aussi des passerelles vers la m me destination c est dire si l implication suivante est satisfaite 219 ij lt X o Xp gt EPA aye Pos A Xa xs eP s est Pas incomplet si s n est pas complet e Le syst me de classification cmp S lt B P1 gt est la compl tion de s si PI P U lt Xay Xp gt lt Xip X gt P aye Pos Ai Fig 7 6 ay Compl tion AC1 AC1 AC2 Fig 7 6 Le syst me de classification de droite est la compl tion du syst me de gauche L utilisation des passerelles dans un SC redondant peut entra ner des cycles pendant le processus de classification N anmoins ces cycles sont interdits par la a Le gi 97 d finition d tat accessible En effet si le processus de classification se trouve dans l tat e ee 5 i et qu il existe les PAROLES lt xt ap z X BaS P i J 999 1 J alors les tats e Se eee e lt XX gt ete lt Xap Ay ne sont pas accessibles par la d finition d tat accessible Il est int ressant de noter que les tat
302. istentiels et num riques tr s courants en traitement de langage naturel Ainsi le sous graphe PETITE FILLE f POSSEDE B CHAT peut repr senter des propositions diff rentes telles que toute petite fille poss de un chat quelques petites filles poss dent un chat quelques petites filles poss dent quelques chats etc Ce probl me est trait dans les graphes conceptuels de Sowa SOW91 qui expriment les quantificateurs de la logique l aide du lambda calcul D autre part la s mantique du lien d appartenance est un entre un individu et un concept n est pas tr s bien d finie que veut dire Olivia est un fille tre fille indique une relation tablie par l age la taille l apparence les chromosomes STI amp 89 DES86 De plus les r seaux s mantiques offrent une repr sentation statique du monde ce qui rend difficile la mod lisation de l volution de l information par ex lorsque Olivia passe du statut de fille celui de femme Finalement cette technique tr s utilis e dans des applications de compr hension de la langue naturelle pose des probl mes pour des applications manipulant des objets complexes et voulant raisonner sur l objet complet ou l un de ses parties 37 1 3 4 Sch mas Les techniques pr sent es auparavant la logique les r gles de production et les r seaux s mantiques repr sentent la connaissance sous
303. it par la relation d ordre parcours du graphe et appariement Dans la section suivante 4 5 nous allons faire la m me analyse pour la classification d instances 4 4 Classification de cat gories La classification de cat gories consiste trouver la localisation la plus appropri e d une nouvelle cat gorie dans une structure de cat gories existantes organis es selon une relation d ordre Par la suite nous allons d crire deux grandes familles de syst mes de classification de cat gories les logiques terminologiques et les RCO bas s sur une structure de types 4 4 1 La classification dans les logiques terminologiques Les logiques terminologiques sont d crits en termes de concepts Le m canisme principal de raisonnement est la classification de concepts qui est utilis e pour enrichir la base de connaissances pour faire des requ tes pour trouver des inconsistances etc Les logiques terminologiques ainsi que leur algorithme de classification ont t d crits dans la section 1 3 5 Par la suite nous allons compl ter cette description en montrant les diff rentes fa ons de mettre en uvre l algorithme de classification dans ces syst mes Repr sentation Ces syst mes comportent un langage terminologique pour la description des concepts du monde et un langage assertionnel pour indiquer les faits valides dans un contexte particulier du monde Pour la classification de concepts seul le langage termino logiqu
304. it un type donn d un attribut Cette validation est la base des proc dures d obtention d information et d appariement car les deux doivent faire des comparaisons entre les valeurs donn es par l utilisateur et les contraintes connues pour l obtention d information ou en train d tre test es pour l appariement Par la suite nous allons d crire la proc dure de validation de 203 type lors de la classification d une instance compos e en indiquant son int gration la proc dure d appariement 6 4 1 Validation du descripteur de type Un attribut est d crit dans un sch ma de classe par son nom et ventuellement par des descripteurs type domaine sauf card d faut et valeur Le quatres premiers descripteurs tablissent l affinement du type de l attribut La normalisation du type se fait en int grant cet affinement au type h rit Un type normalis d un attribut est d crit dans TROPES par trois l ments les types de base issus de la normalisation du descripteur type le domaine qui est la normalisation des descripteurs domaine et sauf et la cardinalit normalis e pour les attributs multi valu s La validation des deux derniers se fait par des comparaisons directes entre la valeur valider et les valeurs sa taille et les tailles admises Le premier l ment le descripteur de type normalis n a de sens que pour les attributs abstraits prenant leurs valeurs dans un concept d fini
305. itre pr c dent nous avons d crit la fa on de normaliser et valider la satisfaction du descripteur de type pour un attribut d fini d une instance compos e 6 4 Par la suite nous allons calculer la complexit de cette proc dure Le descripteur de type d un attribut att est apr s une normalisation faite par l ana lyseur syntaxique du syst me une disjonction des conjonctions de classes du concept de base de l attribut Cette disjonction de conjonctions est repr sent e sous forme d une liste de listes de classes Soit b le nombre des disjonctions de cette liste alors pour faire la validation du type de att pour une valeur v le syst me doit parcourir dans le pire des cas toute la liste de b listes conjonction et regarder pour chaque liste conjonction si ses classes sont des classes s res pour v Une liste conjonction a au plus p classes p tant le nombre de points de vue du concept Ainsi la complexit de la v rification du descripteur de type est O descr_type O b p tt ou b Inombre de listes conjonction p nombre de points de vue du concept tt co t pour v rifier si une instance appartient une classe Dans la plupart des cas le descripteur de type affine une seule classe dans un seul des points de vue du concept dans ces cas la complexit est O tt Par la suite nous allons calculer la complexit tt de v rification d appartenance d une instance v a une classe C Dans le chapitre pr
306. ive tablit une contrainte pour la valeur de l attribut de type ou domaine des valeurs possibles ou bien la valeur sure toujours valide ou par d faut la plus probable pour cet attribut Une facette proc durale fait appel une m thode de calcul une proc dure cette m thode peut servir calculer la valeur de l attribut attachement proc dural pour un calcul ou bien des op rations de v rification et mise jour de la base lors d une modification de l attribut r flexe Pour les sch mas d instance la seule facette associ e un attribut est la valeur de cet attribut pour l instance cette valeur peut tre une valeur simple si l attribut est mono valu ou une liste de valeurs s il est multi valu chacune de ses valeurs un seul pour les attributs mono valu s peut tre une constante ou bien une autre instance de la base 39 C tableau sorte de uvre_d art gt sch ma technique un chaine domaine aquarelle ae attribut fusain pasel yy gt facette titre un chaine largeur un reel longeur un reel Ne P Fig 1 9 structure sch ma attribut facette d une classe SHIRKA La th orie de Minsky propose la structuration des sch mas dans des syst mes de sch mas un sch ma d un syst me de sch mas est li un autre sch ma du m me sys t me par une relation propre au syst me part quelques exceptions comme le syst me Vi
307. ix de conception qui d pend du domaine et du probl me trait Attribut relation Une relation est un attribut valeurs dans l ensemble des objets La relation tablit des contraintes entre les objets reli s SUS amp 80 Ainsi la relation plan tes_ voisines d crit l ensemble de plan tes voisines une plan te donn e une plan te avec ses voisines Tr s souvent une relation R liant deux objets X et Y est pr sente dans les deux objets dans Y on a la relation inverse pour pouvoir r cuperer un des objets partir de l autre FOR amp 89 Dans l exemple des plan tes si la plan te X a comme plan tes voisines et Z alors Y et Z ont entre autres comme voisine X Fig 2 2 Garantir la coh rence des relations entre instances est la charge du syst me de maintien de la coh rence sous jacente la base Des relations peuvent tre tablies entre des instances de classes diff rentes par exemple la relation poss de_ voiture attribut de la classe Personne relie une personne une voiture la classe Voiture aurait la relation inverse propri taire IZ nom Saturne Planetes_voisinecnga nom Uranus Planetes_voisine L I3 nom Neptun Planetes_ voisine Fig 2 2 L attribut plan tes_voisines de type plan te tablit une relation entre des instances de la classe plan te Cette relation doit tre coh rente dans le sens o si X est voisine de Y alors Y est voisine de X Attribut
308. l une des classes d un point de vue est plus sp cialis e garantit la terminaison de la boucle de classification 6 3 La notion d tat stable est d finie dans 6 2 5 2 Si l utilisateur ne sp cifie pas ces trois ensembles le syst me traite tous les points de vue comme tant des points de vue principaux 188 points de vue auxiliaires qui n ont plus de passerelles actives 6 2 4 Ces points de vue seront not s PVq PVak Les points de vue cach s Les points de vue cach s sont les arbres des domaines compl tement inconnus pour l utilisateur Le syst me ne pose pas des questions l utilisateur sur les attributs propres l un de ces points de vue N anmoins s il existe des passerelles entre les points de vue principaux ou auxiliaires et les points de vue cach s le syst me peut utiliser ces points de vue comme ponts entre les diff rents points de vue pour propager des marques des classes Ces points de vue seront not s PVc PVcem 6 2 2 L instance et son type Toutes les instances d un m me concept TROPES ont une m me structure Cette structure comporte deux parties la partie appartenance qui d crit les classes d appartenance les plus sp cialis es de l instance dans chaque point de vue cette partie peut tre vue comme un tuple de dimension n n tant le nombre des points de vue du concept et la partie valeur qui est un tuple de valeu
309. l Properties in Principles of Semantic Networks Explorations in the Representation of Knowledge J Sowa d Morgan Kaufman Publishing chapitre 11 pp 331 361 1991 ORS90 ORSIER B Evolution de l attachement proc dural int gration de t ches m thodes et proc dures dans une repr sentation de connaissances par objets Rapport DEA d informatique INPG Grenoble 1990 PAT amp 91 PATEL SCHNEIDER P McGUINESS D BRACHMAN R RESNICK L BORGIDA A The CLASSIC Knowledge Representation System Guiding Principles and Implementation Rational SIGART Bulletin vol 2 n 3 pp 108 113 1991 REC92 RECHENMANN F ROUSSEAU B A development shell for knowledge based systems in scientific computing in Expert Systems for Numerical Computing Houstis E N Rice J R d Elsevier Science Publishers Amsterdam 1992 WEG87 WEGNER P The Object Oriented Classification Paradigm dans Research Directions in Object Oriented Programming Bruce Shiver Peter Wegner d The MIT Press Cambridge MA 1987 180 Chapitre 6 Classification multi points de vue dans TROPES Classification multi points de vue dans TROPES ccccscccssssssccssssssssssssccssssssssssssees LOD Introduction ss Saat Mie S Aeris sees Een D ca eens oie ania Gaiam 6 1 Description g n rale 6 2 El ments de la classifications ss E E RO nr ses 187 6 2 1 L utilisateur et l s points de Vise isicsssssssesssssscssosesssssessessesssesscco
310. la base le type de l attribut est le type d une classe du concept ou une restriction de ce type Le type d une classe est l enregistrement des types de ses attributs Dans ce cas la relation de sous typage est une relation sur des types d enregistrements CAR85 associ s aux classes Cette relation de sous typage est en accord avec la relation de sp cialisation si C sp cialise D alors le type de C est un sous type de D Graphe de classes et graphes de types Les classes d une repr sentation par objets sont organis es selon la relation de pr s ance lt lt de lt qui lie une classe ses sur classes directes De plus pour tout attribut pr sent dans la base de connaissances le syst me contient ses types pour les diff rentes classes qui le contiennent Les types d un attribut sont organis s dans un graphe de types induit par la relation de sous typage chaque n ud de ce graphe de types sont associ s un type et la liste des classes pour lesquelles l attribut a ce type Fig 4 8 co TOP CO att un entier att un entier 0 130 C1 C2 intervalle 0 130 intervalle 12 111 LT 0 20 C3 12 111 C7 C8 14 110 C9 C11 06 111 C4 16 19 cs 80100 c 41 90 C10 att intervalle 0 20 Fig 4 8 Graphe de sp cialisation avec les d finitions de l attribut att et graphe des types de att correspondant Extrait de CAP amp 93 135 Parcours des graphes La position
311. la liste des points de vue du concept Un concept C de la base B est compl tement d fini par la d finition de ses attributs Alc amc la liste des attributs cl s et ses points de vue les points de vue de la base qui sont pertinents pour ce concept PVjc PVxc L ensemble des points de vue d un concept donne une vision compl te du concept C PVic PVa 5 PVxc JUL ajc a203 58mcl Y acl yc acl ge acl yc C dans B Vi PVic dans C PVic dans B Vj acl jc dans ajc a2 Amc 5 3 Les points de vue d un concept La notion de point de vue prend tout son sens l int rieur du concept la famille d objets d crite par un concept particulier peut tre regard e selon diff rents points de vue Ce regard s lectif permet d une part de ne voir que les attributs du concept qui sont pertinents pour le point de vue en question et d autre part de structurer les instances du concept dans une hi rarchie de classes significative pour le point de vue Ainsi chaque point de vue d un concept d termine une hi rarchie particuli re de classes et un sous ensemble des attributs du concept prendre en compte les attributs visibles pour ce point de vue Une instance du concept est visible depuis tous les point de vue du concept chaque point de vue en a une vision partielle ses valeurs pour les attributs visibles pour ce point de vue Fig 5 7 156 point de vue structure de classe d
312. lasses Les racines de ces arbres d crivent l univers d instances du concept Les instances du concept sont visibles dans tous les points de vue Une justification de cette prise de position est pr sent e dans 2 4 et plus en d tail dans MAR89 158 Une instance du concept est visible depuis tous les points de vue du concept ils connaissent tous au moins sa cl Dans chaque point de vue une instance est rattach e sa classe d appartenance la plus sp cialis e 2 2 4 L hypoth se d exclusivit des classes s urs d un arbre d un point de vue entra ne la mono instanciation au niveau d un point de vue chaque instance ne peut appartenir qu une seule classe et ses sur classes Par exemple un appartement vu du point de vue Taille est soit une chambre soit un studio soit un F1 soit un F2 soit un appartement de plus de trois pi ces mais un seul d entre eux Fig 5 10 Au niveau du concept une instance a autant de liens d appartenance qu il y a de points de vue pour le concept En effet toute instance est visible dans tous les points de vue et dans chaque point de vue elle peut se rattacher une classe d appartenance dans le pire de cas la classe racine Ainsi TROPES autorise la multi instanciation au niveau du concept Dans l exemple de la base immobili re on peut identifier trois points de vue pour le concept Appartement le point de vue Localisation le point de vue T
313. lation d ordre Cette relation est unique AHO amp 74 Pour un ordre partiel lt sur un ensemble P lt lt d signe la relation de pr s ance de lt X lt lt yssixSyet4 z z x z y tq x lt z lt y Si x lt y on dit que x est un successeur de y et y est un pr d cesseur de x Si x lt lt y on dit que x est un successeur direct de y et y est un pr d cesseur de x Description explicite des cat gories interm diaires Dans la section 2 3 nous avons pr sent diff rentes structures du graphe de cat gories treillis treillis complet arbre etc Ces structures ont des propri t s math matiques qui peuvent tre utilis es par l algorithme de parcours du graphe Ainsi par exemple une structure d arbre permet un parcours d ordre logarithmique sur la base tandis que dans une structure de treillis complet ce parcours est plus co teux Par contre un treillis complet contient explicitement toutes les cat gories qui peuvent se former par agr gation ou intersection des cat gories de base du domaine Certains syst mes forcent la structure de treillis par l ajout de cat gories artificielles qui n ont pas de sens dans le domaine mais qui compl tent le treillis comme la cat gorie inconsistante L et les cat gories union et intersection de tout couple de cat gories du domaine MIS amp 89 Partition du graphe dans des familles disjointes et distinction des points de vue Une grande base de connaissances compo
314. le calcul qui permet d tablir la relation de subsomption existante entre deux concepts 4 3 1 L algorithme de subsomption d pend des descripteurs offerts par le langage Cependant tous les algorithmes comportent des t ches g n rales comme la v rification des relations de subsomption entre concepts primaires et la v rification de subsomption au niveau des r les et des descripteurs Dans la plupart des syst mes l appariement comporte une premi re tape de normalisation des concepts comparer NEB90 La normalisation d un concept C se fait deux niveaux celui des concepts subsumant explicitement C et celui des r les de C et de leurs descripteurs ILorsque la subsomption est utilis e l int rieur de l algorithme de classification comme c est le cas qui nous occupe la normalisation du concept classer est faite une seule fois au d but de la classification 132 Normaliser les subsumants explicites consiste aplatir la description du concept C en recopiant toute l information de ses cat gories primaires et en ne laissant comme cat gories primaires que des concepts primitifs Par exemple si la base de connaissances a le concept primitif Personne d crit pr c demment et les concepts d finis Enfant et Enfant_ tranger d crits par Personne Pr nom un cha ne Nom un cha ne Nationalit un cha ne Enfant Personne Age un entier dom 0 12 Enfant_ tranger Enfant Nationalit
315. le type de base des attributs primitifs ne peut pas tre sp cialis Par la suite nous allons d crire la proc dure de validation du descripteur de type d un attribut d fini cette validation peut d clencher toute une s rie de validations en cascade faisant intervenir des instances de concepts diff rents E2 C22 P1 amp D1 P2 amp E2 P3 C23 P1 amp D1 P2 amp E2 P3 amp et logique ou logiique Fig 6 17 Le r sultat de la normalisation du descripteur de type est une liste de listes qui repr sente une disjonction de conjonction de classes Chaque conjonction comporte une s rie de classes de points de vue diff rents auxquelles doit appartenir l instance pour satisfaire le type Dans le cas des attributs d finis la comparaison entre la ou les instance s qui correspond ent a la valeur de l attribut et le domaine de celui ci se fait en comparant leurs cl s avec l ensemble de cl s admises 204 Le descripteur de type d un attribut a qui prend ses valeurs dans un concept T de la base est d crit par des disjonctions de classes de T d un m me point de vue ou par la conjonction de classes de T de points de vue diff rents 5 6 1 La normalisation de ce descripteur produit une disjonction des conjonctions de classes de T repr sent e sous forme d une liste de listes de classes Fig 6 17 Valider la valeur v d un attribut a d une instance co
316. les Les syst mes base de r gles de production voluent partir des syst mes bas s sur la logique Les grands d veloppements des syst mes base de r gles commencent dans les ann es 70 avec des syst mes experts comme MYCIN SHO76 expert en diagnostic m dical et DENDRAL BUC amp 78 qui tudie les structures RMN des mol cules chimiques Repr sentation de la connaissance L l ment de base des syst mes base de r gles est la r gle de production une r gle a la forme SI lt condition gt ALORS lt action gt La partie condition est exprim e par un pr dicat logique correspondant a une affirmation sur la base de connaissances qui doit tre vraie au moment de valider la r gle 31 pour que l action soit d clench e la partie action qui est la partie ex cutable de la r gle indique des ajouts ou modifications faire la base Un syst me base de r gles comporte trois parties une base de r gles un contexte ou base de faits et un moteur d inf rence La base de r gles contient l ensemble de r gles de production du syst me cette base repr sente la connaissance op ratoire que l expert a du domaine du probl me Par exemple une base de r gles d un zoo peut contenir entre autres les r gles R1 si attaque x y A attaque y x alors mettre_ensemble x y R2 si mange x y alors attaque x y R3 si mange x z A mange y z alors attaque x y R4 si longdent x A mammif re y
317. lisateur en faisant les pas suivants 1 Prendre la plus petite classe non marqu e Cmin Cmin est parmi les classes ayant le plus petit nombre d attributs inconnus celle ayant le plus petit nombre d attributs non valu s Cette classe est trouv e en parcourant la structure temporaire ce qui co te O n ni IN Demander la valeur du premier attribut non valu de Cmin et valider cette valeur par rapport aux types des classes o il appara t dans le pire des cas toutes les ni classes font r f rence cet attribut ce qui a une complexit de O n ni fa Au fur et mesure qu il fait ces validations le programme m morise dans la structure temporaire le nombre d attributs qui restent valuer dans chaque classe ainsi que les marques pour les classes n ayant plus d attributs inconnus ces deux processus ont une complexit constante ee Une fois le premier attribut valu et valid le syst me cherche le prochain attribut non valu de la m me classe S il n en reste plus il recalcule la plus petite classe non marqu e en r visant les l ments de la structure temporaire O n ni puis il prend son premier attribut non valu et demande sa valeur a l utilisateur Ainsi les pas 1 2 3 suivis pour valider un attribut du concept ont une complexit de O n ni n ni n ni fa Dans le pire des cas le systeme doit faire cette suite de pas pour toutes les classes pour tous les attrib
318. lle des points de vue cach s par d faut tous les points de vue sont des points de vue principaux 194 Information sur l instance et le I moule Dans l tat initial de la classification l instance a seulement l information initiale donn e par l utilisateur la liste des valeurs d attributs vai et de classes d appartenance connues par l utilisateur dans les diff rents points de vue Cj PVj si pour un point de vue l utilisateur n a pas d information la classe d appartenance de l instance est la classe racine du point de vue Les classes d appartenance de d part de l instance sont des classes s res ouvertes c est dire des classes s res sur lesquelles on peut encore poser des questions Pour garder les assertions de l invariant le I moule est rattach ces classes d appartenance Cj PVj et l instance est rattach e a leur sur classes directes dans le cas de la racine l instance n est rattach e aucune classe De plus le I moule a comme type l intersection des types des classes Ci PVi L instance a dans son tuple de valeurs les valeurs initiales donn es par l utilisateur Information sur chaque point de vue et sur les passerelles Toutes les sur classes de la classe initiale de rattachement Ci sont marqu es comme sires Toutes les sceurs de la classe initiale sont marqu es comme impossibles car une instance ne peut appartenir qu une classe par niveau par l hypoth
319. lles marques inf r es par l appariement peuvent cr er des inconsistances vis a vis des relations invariantes tablies pour les points de vue L algorithme de propagation de marques r tablit l tat d quilibre R gles de propagation de marques L algorithme g re la propagation des marques en fonction de six r gles de coh rence d duites de la s mantique accord e aux classes aux passerelles et aux marques Les trois premi res concernent les propagations l int rieur d un point de vue et les trois derni res aux propagations par des passerelles 1 Dans tout point de vue les classes s urs d crivent des ensembles mutuellement exclusifs Ainsi si une instance appartient une de ces classes elle ne peut pas appartenir aucune autre classe Fig 6 15 Propagation de la marque impossible aux classes s urs d une nouvelle classe s re La sp cialisation de classes dans TROPES corresponde l inclusion ensembliste Ainsi si une instance appartient une classe l ensemble potentiel d crit par la classe alors elle appartient toutes ses sur classes Propagation de la marque s re toutes les sur classes d une nouvelle classe s re Par la correspondance entre l inclusion ensembliste et la sp cialisation si une instance n appartient pas l extension d une classe elle ne peut pas appartenir l extension d aucune de ses sous classes 198 gt 6 Propag
320. longueur Fig 1 9 n y sont pas valu s 40 M canismes de raisonnement Les repr sentations par sch mas offrent deux types de m canismes de raisonne ment les m canismes globaux qui travaillent sur toute la base et les m canismes locaux qui font des inf rences au niveau d un sch ma ou d un attribut d un sch ma Les m canismes globaux sont l h ritage le filtrage et la classification et les m canismes locaux sont les r flexes de contr le sib exec si modif etc et les r flexes de calcul M canismes globaux L h ritage La relation de sp cialisation repr sente l inclusion ensembliste cela veut dire que toutes les instances d une classe le sont aussi de ses sur classes ce titre elles ont les propri t s d crites dans les sur classes Une classe doit donc pouvoir r cup rer l information de ses sur classes Le m canisme d h ritage de propri t s permet la r cup ration de cette information travers les liens de sp cialisation et vite ainsi d avoir recopier les attributs des sur classes dans la sous classe L h ritage est dynamique c est dire l information h rit e d une classe n est pas stock e dans la sous classe mais r cup r chaque fois que le syst me acc de le sous classe Cela garantit que toute modification faite une classe est prise en compte par ses sous classes Bien que cette derni re propri t facilite le contr le de la coh rence de la base
321. ls elle peut passer Ainsi par exemple pour une instance x du concept matrice Fig 6 2 en partant d un tat initial lt Matrice_bande Matrice Valeurs_r elles Matrice gt on peut avoir la suite d tats accessibles lt Matrice_diagonale Matrice Valeurs_r elles Matrice gt en descendant dans le point de vue structure lt Matrice_diagonale Matrice Valeurs_r elles Matrice_noncreuse gt dans remplissage lt Matrice_diagonale Sym trique Valeurs_r elles Matrice_non_creuse gt en utilisant la passerelle de Matrice_diagonale a Sym trique et enfin en descendant dans le point de vue Contenu on arrive a l tat final lt Matrice_diagonale Sym trique D finie_positive Matrice_noncreuse gt Cet tat est une S classification si partir de celui ci il n y a plus d tat accessible pour x Fig 7 4 218 Dans un syst me de classification on veut interpr ter le passage d un tat un tat suivant comme un gain d informations dans le processus de classification comme un affinement de la connaissance que l on a de l instance Cela est bien le cas lorsque le passage d un tat un autre se fait en utilisant les FC en descendant par un point de vue En ce qui concerne les passerelles il faut garantir que leur utilisation ne fasse pas reculer monter dans l arbre la classification et n entra ne des inconsistances Par la suite nous allons montrer les cas probl matiques Ces cas sont cont
322. lt art re syst me reproducteur veine 3 bouche syst me respiratoire sophage syst me nerveux estomac syst me digestif gros intestin intestin gr le cr ne t te L cerveau c ur thorax a poumon colonne vert brale c te intestins estomac rate rein foie pancr as abdomen Fig 3 14 En anatomie le corps humain est d compos du point de vue fonctionnel selon les syst mes qui font les diff rentes fonctions vitales et du point de vue structurel selon la localisation des diff rentes organes et parties Un m me composant peut tre pr sent dans les deux d compositions comme c est le cas du c ur Schubert et al SCH79 PAP amp 81 SCH amp 83 montrent que lorsqu on compl te les graphes de d compositions pour avoir au niveau des feuilles des diff rentes perspectives un ensemble de composants disjoints deux a deux on peut tablir des m thodes simples et compl tes d inf rence pour r soudre le probl me de savoir si un objet a est partie d un objet b c est dire tant donn s deux objets du monde sire si l un fait partie du graphe de d composition de l autre Ce probl me est particuli rement important pour la propagation des valeurs dans les syst mes qui parcourent le graphe de composition de bas vers le haut par exemple pour l assemblage de pi ces Les graphes de d composition ferm s et demi ferm s propos s par Schubert et al concernent des d c
323. marque explicitement toutes les classes impossibles et possibles des diff rents points de vue Nous avons fait une am lioration a la proc dure de propagation de marques pour viter ce marquage exhaustif des classes Pour cela nous avons d fini des structures de repr sentation simples permettant de r cup rer et de mettre jour toute l information des tiquettes d un point de vue lors d une classification Dans un tat stable de la classification tout point de vue a une plus petite classe s re pour l instance appel C_min Fig 7 15a partir de C_min le syst me peut r cup rer toutes les classes s res de l instance pour ce point de vue ce sont toutes les sur classes de C_min Fig 7 15 b De plus les seules classes qui peuvent ne pas tre marqu es sont les sous classes de C_min Toutes les classes s urs d une classe s re et toutes les sous classes de celles ci sont des classes impossibles Fig 7 15c Bien qu en principe toutes les sous classes de la plus petite classe s re sont des classes non marqu es 1l peut y avoir dans ce sous arbre des classes pour lesquelles on ait d duit la marque impossible par une passerelle les sous classes de celles ci ont elles aussi la marque impossible Fig 7 15d 232 C_min C_min C_min C_min Imp2 Imp1 oe a b c d Classes s res Information des marques pour un point de vue Classes impossibles S p Classes non marqu es O C C_min L_
324. mation inclut alors le type de cette classe dans le type de l instance stock dans le I moule cette inclusion peut tre vue logiquement comme l intersection des ensembles des valeurs d crites par les deux types ou simplement l intersection des types 6 3 7 Choix du prochain point de vue Apr s la mise jour de l information le syst me choisit le nouveau point de vue a consid rer Ce choix d pend du type du point de vue actuel principal ou auxiliaire et de l tat actif ou inactif de ce point de vue et des autres points de vue du concept En toute g n ralit le choix du prochain point de vue vise suivre la classification dans les points de vue principaux lorsque dans ceux ci il y a encore des informations a d duire Lorsqu il y a encore des points de vue principaux actifs avec une classe ouverte la proc dure choisit l un d entre eux selon le principe suivant si le point de vue actuel est un de ces points de vue principaux actif il est gard comme le point de vue actuel sinon le nouveau point de vue est le premier point de vue principal actif selon l ordre donn initialement par l utilisateur dans la liste des points de vue principaux S il n y a pas de points de vue principaux actifs alors si le point de vue actuel est un point de vue auxiliaire actif dont la plus petite classe s re est ouverte il reste le point de vue actuel sinon un point de vue auxiliaire actif ayant une classe s
325. matiquement des instances de chacun des composants du point de vue m canique car ils sont tous des composants mono valu s le moteur la transmission la suspension la direction et le freinage Du point de vue physique une automobile a deux composantes carrosserie et roues Ce dernier est un composant multi valu dont la cardinalit n est pas connue pour la classe racine Automobile Le syst me diff re donc l instanciation du composant roues du point de vue physique dans ce point de vue il instancie seulement le composant mono valu carrosserie Supposons que la classification se fasse en partant du point de vue utilisation le syst me descend l instance jusqu la classe transport de marchandises et mat riaux seule classe permettant une valeur aussi lev e de charge utile Gr ce la passerelle qui part de cette classe le syst me d duit l appartenance de la voiture la classe conomique du point de vue physique Dans cette classe les voitures ont 4 roues le nombre de roues devient connu et une carrosserie normale Le syst me peut donc instancier le composant roues de la voiture en cr ant 4 instances du concept roue attach es aux classes racines et 1l peut descendre l instance de carrosserie attach e l objet composite la classe normale du point de vue physique Cette descente entra ne aussi automatiquement la cr ation des composants de carrosserie c est dire 4 portes poign e et 4 si ges s
326. me tous les autres concepts de la base Les concepts primitifs concernent les types primitifs du domaine et sont en g n ral pr s de la racine THING de la base les concepts d finis construits partir d autres concepts plus simples sont localis s plus bas dans la hi rarchie Langage assertionnel La partie assertionnelle du syst me utilise des termes du langages de description pour faire des propositions des assertions sur le monde Le langage assertionnel permet de d crire tout ce qui peut tre d duit sans servir la classification Un monde peut tre vu selon diff rents contextes compos s de nexus Un nexus est une entit regroupant toutes les descriptions qui font r f rence au m me objet du monde l existence d un individu satisfaisant une assertion sur le contexte courant du monde est tablie en le connectant au nexus correspondant l int rieur du contexte A nsi par exemple si Paul est le fils unique de Mr Martin alors les assertions Paul est un adolescent et Le fils unique de Mr Martin est malade r f rencent le m me objet et sont donc regroup es dans le m me nexus d un contexte particulier Dans ce contexte ces affirmations peuvent tre vraies mais dans un contexte post rieur dans lequel Paul serait un adulte gu ri elles peuvent devenir fausses M canismes de raisonnement Le m canisme de raisonnement de base des logiques terminologiques est la classification de concepts r ali
327. miner pour l une des trois raisons suivantes e Le but est atteint l instance I est class e le plus bas possible dans chacun des points de vue principaux Ceci est reconnu par le fait que tous les points de vue principaux sont inactifs leur plus petite classe s re est ferm e terminale e L algorithme ne trouve plus de chemins suivre Ce cas arrive lorsque m me s il existe encore des points de vue principaux actifs avec des classes non marqu es il n y a plus de classes s res ouvertes dans aucun des points de vue e L utilisateur veut arr ter la classification Si l on groupe ces conditions dans un pr dicat fini C1 amp C2 amp C3 alors le cycle continue tant que fini reste faux tant_que not fini 6 3 3 Obtention d information La proc dure d obtention d information compl te l information de la classe actuelle du point de vue courant C actuelle qui est une classe s re ouverte Pour compl ter cette information soit le syst me fait des inf rences de valeurs manquantes d attributs de cette classe soit il demande ces valeurs l utilisateur Dans ce dernier cas celui ci doit donner des valeurs valides c est dire des valeurs satisfaisant le type calcul pour cet attribut stock dans le Imoule A la fin l instance est descendue vers C actuelle C actuelle est marqu e comme tant s re ferm e Fig 6 12 Instance Chez Dugand 6 rue Monge 75005 PVIPV2PV3 4
328. mportance donn e au probl me de l h ritage multiple et de la multi instanciation la question conceptuelle de base n est presque jamais pos e Quand a t on des classes non disjointes dans une hi rarchie de classes Cette question est abord e dans le chapitre suivant o nous allons essayer de la r soudre avec la notion de points de vue 2 5 Objets composites Comme nous l avons pr sent dans la section 2 2 2 une classe et ses instances peut avoir des attributs d crivant une propri t une relation ou un composant Dans cette partie nous pr sentons les diff rentes interpr tations possibles de la relation de composition et nous montrons les diverses approches prises par les syst mes centr s objets qui manipulent des objets composites Nous avons dit informellement qu un objet composite est un objet complexe pour lequel on peut identifier des parties ces parties sont d crites dans la classe de l objet comme des attributs de type composant La relation de composition partie de peut tre interpr t e de diff rentes fa ons WIN amp 87 ont identifi six cat gories diff rentes de relations de compositions Fig 2 17 Membre arbre for t collection ne de Trait activit payer faire des courses Lieu Aire oasis d sert Fig 2 17 Les 6 types de relations de compositions se distinguent par trois aspects si la relation entre le tout et les parties est fonctionnelle ou
329. mpos e pour une classe Cx consiste v rifier que v qui est en fait une instance appartient toutes les classes d une des listes conjonctions L1 C C2 Cn de la liste disjonction L1 L2 Lm obtenue apr s la normalisation du descripteur du type de base de a dans Cx Dans la plupart des cas le descripteur de type comporte une seule classe d affinement La v rification se r duit alors v rifier que la valeur v appartient cette classe C1 Cette v rification prend en compte trois cas possibles a v est rattach e une sous classe de C gt v appartient aussi C s re et elle valide donc le descripteur de type b v est rattach e une classe qui n est pas comparable avec C1 gt v m appartient pas a C1 impossible et la validation choue c v est rattach e une sur classe D de C gt v peut appartenir C1 possible Il faut v rifier que v satisfait le type de la classe C1 Cette v rification prend en compte aussi bien les valeurs des attributs de l instance v que la connaissance d duite de son appartenance a D La proc dure de validation propos e dans le dernier cas consiste a essayer de descendre une instance dans un point de vue de sa classe d appartenance vers une sous classe pas n cessairement directe de celle ci en v rifiant ventuellement des connaissances additionnelles sur les valeurs des attributs de v pour les valider contre le type de ces attributs dans la
330. n cessairement la description de C C est gr ce cette propri t que l on peut faire une classification certaine d une instance dans le sous arbre de sp cialisation de sa classe de cr ation et que l on peut faire des d ductions de non_ appartenance savoir qu une instance n appartient pas une classe Cette propri t devrait tre vraie ind pendamment du niveau de la hi rarchie dans lequel on instancie l objet Cependant plusieurs recherches ROS78 PET amp 88 ont montr que dans des niveaux dans lesquels on d crit des classes trop g n rales ou abstraites la description compl te des sous classes n est pas toujours facile Ce probl me a t trait dans les logiques terminologiques par la distinction entre concepts primitifs et d finis et dans divers repr sentations objets par la partition de la base en familles BOB amp 77 ou cat gories de base D autres interpr tations de la relation d appartenance La pr sentation pr c dente des conditions n cessaires et suffisantes d appartenance une classe suppose que l on peut toujours d finir compl tement une classe en termes de ses attributs et leurs contraintes De plus pour toute instance de la base un appariement des valeurs des attributs de l instance avec les contraintes des attributs de la classe doit permettre de d terminer si l instance appartient la classe ou pas Ces hypoth ses sont tr s fortes et pas toujours valides
331. n rales valides pour toutes les situations possibles et des informations sp cifiques a chaque situation pour lesquelles il a une valeur par d faut la valeur la plus probable cette valeur par d faut peut tre remplac e par une valeur sp cifique pour une situation particuli re MIN75 Dans le cadre de cette th orie la rapidit des activit s mentales humaines s explique par le fait qu une situation nouvelle est identifi e dans la m moire avec la situation prototypique la plus appropri e les informations g n rales de ce prototype sont ensuite r cup r es et ventuellement modifi es pour cr er la repr sentation pr cise de la nouvelle situation A un niveau plus lev des sch mas logiquement li s par des relations cause effet des relations temporelles des actions du monde etc sont group s en syst mes de sch mas l int rieur du syst me un sch ma peut tre transform en un autre par une fonction de transformation qui copie la relation repr sent e par le syst me Fig 1 8 Ainsi en vision un syst me de sch mas d crivant une sc ne par exemple un cube selon des points de vue sch mas spatiaux diff rents une transformation spatiale permet de passer d un point de vue un autrel La th orie des sch mas de Minsky a donn naissance un grand nombre de sys t mes Tous ces syst mes utilisent le sch ma comme structure de regroupement de connaissances et ils raisonnent par appar
332. n de composition dans TROPES La version actuelle du mod le TROPES tablit certaines restrictions visant viter 1 des descriptions r cursives d objets et 2 des ambigu t s lors de l clatement d un attribut Ces restrictions sont 1 Un concept composite ne peut avoir dans aucun de ses arbres de d composition un attribut prenant ses valeurs dans ce m me concept Dans les termes de Nebel NEB91 un concept ne peut avoir une description restrictions circulaires Cette restriction emp che la d finition d instances infinies Elle est aussi valide pour les concepts compos s un concept compos ne peut appara tre parmi des concepts que r f rencent ses propres attributs directement ou indirectement Cette restriction est tr s forte en effet si un concept composite ne peut pas tre r cursive une de ses classes ne peut pas l tre non plus et encore moins une instance Il serait int ressant de permettre la r cursion des concepts composites et de ses classes en interdisant la r cursion au niveau des instances qui pose des graves probl mes pour la classification 2 L ordre des l ments de la valeur d un attribut multi valu de nature composant est pertinent Cette interpr tation d une multi valeur comme une liste ordonn e permet lors de la classification d objets composites de faire descendre une instance d une classe C vers une de ses sous classes C lorsque celle ci affine un composant de
333. n des types de ses attributs est inspir e des travaux de Wegner WEG87 et de Cardelli CAR85 CAR amp 85 CAR amp 91 167 concept compos Famille d une base de connaissances l attribut nom prend ses valeurs dans le domaine primitif cha ne tandis que l attribut fils les prend dans le domaine d fini Personne Dans une classe le type d un attribut peut tre restreint un sous type du type de base les descripteurs utilis s sont un pour les attributs mono valu s et ens_de pour les multi valu s Ainsi par exemple si la racine du concept Famille se sp cialise en des classes Une_g n ration et Plus_d une_g n rations alors l attribut fils peut tre restreint dans la classe Une_g n ration aux types des classes Enfant ou Adolescent sous classes de la classe Personne Lorsque le type de base d un attribut d un concept C est un domaine d fini un autre concept D C est un concept compos le type de cet attribut dans une classe peut tre restreint un groupe particulier d instances de D Ce groupe d instances peut tre d crit e soit par une classe d un point de vue du concept ce qui indique que toutes les instances de cette classe sont des valeurs possibles pour l attribut e soit par une conjonction de classes de points de vue diff rents pour indiquer que seules les instances appartenant a toutes ces classes sont des valeurs possibles pour P attribut e soit enfin par une disjonct
334. n entre les concepts de la base sont donn es expli citement et pour tout couple de concepts le concept union et le concept intersection sont cr s et li s la base le concept le plus g n ral est le concept THING et le plus sp cifique est le concept contradiction L Le graphe r sultant est un treillis fortement connexe Cette structure peut pr senter beaucoup de liens de subsomption redondants et de concepts artificiellement cr s ce qui alourdit sa gestion b Pour tout couple de concepts les concepts intersection et union sont pr sents dans la base De plus tout concept est li explicitement son pr d cesseur direct dans la base La structure r sultante est un treillis la diff rence de l alternative pr c dente la base n a pas de liens redondants L avantage principal de cette solution est qu elle simplifie l algorithme de classification en effet tous les concepts qui peuvent tre form s en termes des couples r le restriction pr sentes dans la base y sont d j d crits explicitement Le probl me principal est le grand nombre de concepts artificiels qu il faut cr er et leur gestion ICette syntaxe est prise du langage Classic 130 c Tous les concepts cr s explicitement descriptions sont stock s dans la base ainsi que tous leurs liens vers leurs pr d cesseurs d Tous les concepts cr s explicitement descriptions sont stock s dans la base ainsi que leurs liens vers leurs p
335. n g n ral une passerelle TROPES exprime une inclusion ensembliste entre deux classes de deux points de vue diff rents d un m me concept Par la suite nous explicitons les diff rents types de passerelles de TROPES 5 4 1 Passerelle unidirectionnelle Une passerelle unidirectionnelle exprime l inclusion ensembliste entre l extension d une classe d un point de vue source de la passerelle et celle d une classe d un autre point de vue destination de la passerelle Fig 5 12 En termes de logique la passerelle peut tre vue comme une implication tre instance de la classe source implique tre instance de la classe destination Si on instancie la classe source l instance cr e est automatiquement rattach e la classe destination En termes de sch mas de description des classes la satisfaction de toutes les contraintes des attributs de la classe source entra ne la satisfaction de toutes les contraintes des attributs de la classe destination Les passerelles dans TROPES correspondent peu pr s aux r gles dans les logiques terminologiques PAT amp 91 160 Soit C un concept PV et PV2 deux points de vue de C et soient E une classe de C du point de vue PV not e C E PV1 et D une classe de C du point de vue PV not C D PV Une passerelle unidirectionnelle de E vers D d crite par pass de C E PV vers C D PV2 correspond aux assertions Vxe C xe E PVi xe D PV2 ou
336. n ordre partiel Le parcours des sur classes avec cet ordre partiel ne pose pas de probl me si pour aucune classe C on n a d attributs de m me nom d finis ou modifi s dans deux sur classes diff rentes Dans l exemple suivant on a l ordre partiel d fini par C3 lt CI lt O et C3 lt C2 lt O les classes CI et C2 ne sont pas comparables N anmoins pour d terminer les attributs h rit s par une instance de C3 il suffit de voir que le seul attribut commun C1 et C2 est l attribut a h rit dans les deux cas de la m me classe O On a donc l ordre total C3 lt C1 et C2 lt O et une instance de C3 poss de l attribut a d fini dans O les attributs b et c de Cl l attribut d h rit de C2 et l attribut e d fini dans C3 Le probl me se pose lorsque deux sur classes directes d une m me classe ont des attributs de m me nom on parle ici d un conflit d h ritage Si dans l exemple pr c dent on ajoute la classe C1 un affinement de l attribut a d fini dans O et on change le nom de P attribut de C2 par c il y a deux conflits r soudre pour l h ritage d attributs dans la classe C3 D une part doit elle h riter de la d finition de l attribut a donn e initialement dans Oet h rit e par C2 ou bien de l affinement de cet attribut fait dans C1 D autre part doit elle h riter de l attribut c d fini dans Cl doi
337. nde externe cette connaissance va lui permettre d avoir un comportement rationnel orient vers l obtention d un but Fig 1 2 Compr hension Agent Monde Fig 1 2 la connaissance est la perception et la compr hension qu un agent intelligent a du monde 26 1 2 3 La repr sentation de la connaissance Pour r soudre un probl me un agent raisonne sur une abstraction de la connaissance li e au monde et la situation du probl me Pour repr senter cette connaissance l agent labore un mod le des l ments du monde leurs relations et les lois du comportement La repr sentation de la connaissance est donc la mod lisation des diff rents l ments du monde r el et la d termination de proc dures d interpr tation faisant le lien entre le monde et le mod le tant au moment de l acquisition de connaissances et l laboration du mod le que pendant la manipulation de la repr sentation pour donner des explications et finalement lors de l application des r sultats du mod le au monde r el Fig 1 3 A partir de cette repr sentation et d une capacit de raisonnement appropri e le syst me doit pouvoir s adapter et exploiter son environnement BRA90 BAR amp 81 La connaissance repr sent e peut tre de diff rents types concept fait m thode mod le heuristique v nement prototype objet etc Elle peut avoir diff rentes modalit s statique ou volutive fixe ou modifiable
338. ne les r gles R2 F3 si mange chat souris alors attaque chat souris x chat y souris R4 Fl F2 si longdent lion mammif re chat alors mange lion chat x lion y chat 2 Choix d une r gle si plusieurs r gles applicables sont d tect es le syst me doit choisir laquelle appliquer Le choix est dirig par une strat gie du style choisir la r gle qui parle du fait le plus r cemment appris ou choisir une r gle qui ajoute un fait la base ou bien la r gle ayant le plus petit nombre de pr misses Ces strat gies ne refl tent pas toujours le comportement d un expert et elles sont une des sources de probl mes lors de l explication du raisonnement Dans l exemple des animaux si le syst me utilise le troisi me crit re nonc il choisit la r gle 2 unifi e avec le fait 3 l attaque x y veut dire x attaque y mange x y signifie x mange y et longdent x x a des dents longues 32 R2 F3 si mange chat souris alors attaque chat souris 3 Ex cution de l action associ e cette r gle ex cuter l action associ e la r gle consiste ajouter le s fait s indiqu s dans la partie droite de la r gle la base de faits dans certains syst mes experts qui supportent un raisonnement non monotone l action d une r gle peut modifier des faits d j pr sents dans la base Apr s l ex cution de la r gle 2 le fait attaque chat souris est ajout
339. ne part la relation de la classe avec les autres classes de la base de connaissances et d autre part une description partielle des attributs de la classe La description compl te des attributs de la classe est r partie dans les sch mas de la classe et de ses sur classes La description compl te d une classe est l union des descriptions compl tes de ses attributs La description compl te d un attribut d une classe est obtenue en h ritant ses descriptions des sur classes de la classe et en le normalisant Cette description compl te et normalis e est appel e le type de l attribut dans cette classe La description compl te de la classe D du point de vue PVi du concept C est la liste des descriptions compl tes de ses attributs C D PVi 4c T1 a 2 T2 Acx Tx o Tj est le type de a i dans D Ainsi par exemple la description compl te de la classe Travailleur sous classe de Locataire obtenue partir de l information h rit e de la classe Locataire est Locataire Travailleur Financier profession un chaine activit un chaine domaine travailleur revenus_annuels un reel Les attributs d une classe C peuvent tre h rit s affin s ou des ajout s dans la classe Les attributs h rit s sont d j pr sents dans les sur classes de C et ne sont pas donn s explicitement dans la description de C La description compl te de ces attributs se trouve en parcourant les liens sorte de du
340. ner avec cette repr sentation incompl te du monde chaque agent cr e un contexte hypoth tique c est dire un ensemble d hypoth ses coh rentes entre elles et avec la connaissance certaine du monde Une perspective est ici un contexte hypoth tique c est dire une repr sentation compl te mais hypoth tique du monde Les perspectives de deux agents peuvent tre contradictoires car elles peuvent inclure des hypoth ses oppos es ce groupe appartiennent des syst mes comme OMEGA ATT amp 86 o les perspectives points de vues sont des ensembles de r gles individuellement monotones et collectivement non monotones permettant de suivre un raisonnement hypoth tiques avec des ensembles diff rents d hypoth ses 4 Le monde d pend de l observateur chaque agent a une r alit qui inclut son tre et le monde qui l entoure Ainsi le monde est subjectif et le point de vue de chaque observateur est une vision compl te mais subjective du monde qui est indissociable de l observateur VAR89 Par la suite nous allons centrer la discussion sur la deuxi me interpr tation de la relation agent monde qui suppose un monde unique fig et objectif les point de vue sont des visions partielles mais compl mentaires de ce monde leurs unions produit une repr sentation coh rente du monde Par la suite nous allons traiter les termes point de vue et perspective comme des synonymes 2OMEGA organise la connaissance dans
341. nguage Th se de Bachelor and Master of science MIT 1987 DESCLE J P Implications entre concepts la notion de typicalit Travaux de Linguistique et de Litt rature Centre de Philologie et de Litt ratures Romanes de l Universit de Strasbourg vo XXIV n 1 pp 179 202 1986 FAHLMAN S NETL A System for Representing and Using Real World Knowledge Cambridge MA MIT Press 1979 FERBER J Coreferentiality The Key to an Intentional Theory of Object Oriented Knowledge Representation in Artificial Intelligence and Cognitive Science chapitre 6 J Demongeot T Herv V Rialle et C Roche d Manchester University Press 1988 FIKES R E NILSON N J STRIPS A New Approach to the Application of Theorem Proving to Problem Solving Artificial Intelligence n 3 pp 251 288 1971 FIKES R KEHLER T The Role of Frame Based Representation in Reasoning Communications of the ACM vol 28 n 9 pp 904 920 1985 GENESERETH M R NILSSON N J Logical Foundations of Artificial Intelligence Morgan Kaufmann Pub Los Altos C A 1987 GOODWIN J W Taxonomic Programming with KLONE Link ping University Informatics Lab R R f vrier 1979 HATON J P BOUZID N CHARPILLET F HATON M C LAASRI H MARQUIS P MONDOT T NAPOLI A Le raisonnement en intelligence artificielle InterEditions Paris 1991 HENDRIX G Encoding Knowledge in Partitioned Networks dans Associative Networks in The Representation and Use
342. nna tre Dans certains langages comme SMALLTALK GOL amp 83 et LOOPS STE amp 85 la classe peut avoir une structure tout fait diff rente de celle des instances elle peut avoir par exemple des propri t s et contraintes qui concernent la classe comme un tout Dans ces cas il est impossible non seulement de dire si une instance appartient a une classe ou pas mais de v rifier qu un lien d appartenance d ja tabli est correct De plus la plupart des langages orient s objets g rent seulement des contraintes existentielles et du typage Certains permettent la d finition de valeurs par d faut mais en g n ral la s mantique du d faut n est pas claire Par exemple une valeur par d faut peut tre utilis e pour repr senter une valeur typique ou bien pour propager aux instances des modifications faites a une classe D autre part plusieurs langages orient s objet permettent de masquer des contraintes d une classe dans ses instances ou dans ses sous classes pour traiter des exceptions cette libert rend plus difficile la production de conclusions sur les instances d une classe partir de l information de la classe Bien que les probl mes des d fauts et des exceptions soient aussi pr sents dans certains systemes de repr sentations 2 6 3 la s mantique de ces systemes devrait permettre d identifier les cas conflictuels ou ambigus Les probl mes de l h ritage multiple d attributs de m me nom pr sent s
343. nnaissances on peut construire une base de connaissances dans laquelle toutes les relations d ordre entre cat gories sont donn es explicitement ou bien on peut avoir une base de connaissances plate dans laquelle toutes les relations d ordre sont gard es implicites et doivent tre r calcul es chaque fois La premi re option est tr s utile lorsque l on a une base statique dont les cat gories n voluent pas En effet cette approche r pond efficacement la question C lt D pour C et D donn es car il suffit de regarder s il y a un lien entre C et D Par contre un changement dans la description d une cat gorie entra ne en g n ral la r vision d une grande partie des relations de la base Dans la deuxi me approche le changement de la description d une cat gorie n a pas de cons quences pour les autres connaissances de la base mais la relation d ordre entre deux cat gories C et D doit tre recalcul e lors de chaque requ te du style C lt D L option interm diaire la plus utilis e consiste repr senter explicitement les relations d ordre directes et garder implicites celles que le syst me peut facilement d duire par les propri t s de r flexivit et de transitivit de la relation NEB90 La relation de pr s ance lt lt ainsi obtenue est la plus petite relation dont la fermeture transitive et reflexive soit identique la relation lt le graphe de couverture de la re
344. nne Olivia quelque chose a une personne Le graphe de cette requ te Fig 1 7 ne peut pas tre directement unifi avec le r seau g n ral Une tape d inf rence par h ritage est n cessaire pour d duire que Whitman peut se substituer la variable une personne car il est un gar on et tout gar on est une personne la r ponse la requ te est donc VRAIE PERSONNE est_u Olivia DONNE gt Fig 1 7 La requ te Est ce que Olivia donne quelque chose un homme est r solue par une combinaison de filtrage et d h ritage Avantages Les r seaux s mantiques tout en restant propositionnels comme la logique et les syst mes base de r gles reconnaissent d j l importance de la structure ils structurent 36 la connaissance en n uds et arcs Cette repr sentation rend visibles les diverses relations existantes entre les objets ainsi que la notion de distance entre deux concepts nombre de liens du chemin connectant les deux concepts Ces mod les sont bien adapt s aux domaines ot les concepts sont simples et fortement li s entre eux comme les phrases en langage naturel Sur cette repr sentation sous forme de graphe le m canisme de filtrage permet de r cup rer des informations explicites ou implicites de la base a la mani re des associations mentales de l tre humain A Vorigine les r seaux s mantiques n ont pas une s mantique formelle bien d finie Le sens donn
345. ns la plupart des syst mes de RCO e la structuration de toute la connaissance dans une seule taxinomie Une base de connaissance contient en g n ral des familles d objets de natures diff rentes et disjointes comme Personne et Voiture Les attributs d une famille ainsi que les classes dans lesquelles sont organis es ces instances ne concernent pas les autres familles de la base La description de ces diff rentes familles dans une m me structure ne permet pas de rendre compte de ces propri t s De plus ceci oblige la classification a consid rer la base enti re alors que seule une famille d objets l int resse e et le conflit d h ritage d la sp cialisation multiple Lorsque dans une taxinomie une classe a plusieurs sur classes et que celles ci ont un attribut commun le syst me doit d cider de quelle sur classe h riter l attribut Nous affirmons que la source de ce conflit est la combinaison dans un seul graphe de classes de plusieurs graphes de classes correspondant diverses consid ration d un m me objet des points de vue diff rents La notion de point de vue est absente de la plupart de syst mes de RCO Pourtant les grandes bases de connaissances contiennent en g n ral des objets concernant plusieurs disciplines Chaque discipline observe et structure les objets selon sa perspective son point de vue Comme r ponse ces besoins nous proposons un mod le multi points de vue TR
346. ns l tat e la destination est marqu e impossible Fig 8 4 a exemple Fig 8 3 passerelle de A2726 C14213 Si la passerelle avait t utilis e pour d duire une marque la seule marque d ductible serait le marque s re de la destination comme c est pr cis ment cette marque qui a t chang e par la remont e la seule action effectuer est l effacement de la passerelle car elle n est plus active 6 3 5 b Dans l tat initial ed la destination est s re et parmi les sources il y a des classes s res et des classes impossibles Dans l tat e la destination est devenue impossible Fig 8 4 b De m me que pour le cas pr c dent la passerelle ne change pas d autre marque et elle devient inactive il faut alors l effacer c Dans l tat initial eQ toutes les sources ainsi que la destination sont s res Dans l tat e une des sources devient impossible Fig 8 4 c exemple Fig 8 3 passerelle de C14 A21 Si la classe destination a t marqu e comme s re par propagation des marques des sources alors tant donn que pour l une des sources la marque a chang de s re impossible la propagation doit tre r vis e Cependant si la marque s re de la destination n a pas t obtenue par propagation de cette passerelle mais par appariement directe dans son point de vue alors la classe conserve la marque s re Ainsi le syst me valide l instance I par rapport au type de la classe
347. nstance d ja class e qui voit ses donn es changer Ces changements peuvent tre d s a la suppression de la valeur d un attribut l ajout de la valeur d un attribut non valu ou la modification de la valeur d un attribut Dans chaque point de vue d un concept l algorithme de relocalisation doit alors faire remonter dans la hi rarchie de classes l instance modifi e pour retrouver une classe s re puis la redescendre vers des classes s res plus sp cialis es La remont e de l instance entra ne des changements dans le marquage des classes qui peuvent se r percuter sur l activation et ou la d sactivation des passerelles La classification hypoth tique consiste faire des hypoth ses sur la connaissance manquante pour pouvoir continuer la descente de l instance au del des classes s res En effet l algorithme de classification simple 6 s arr te lorsqu a partir de l information dont il dispose le syst me ne peut plus continuer la descente de l instance Lorsque la connaissance de l instance n est pas compl te des sous classes de la plus petite classe s re de l instance dans un point de vue restent non marqu es ou marqu es comme possibles c est dire le syst me ne peut ni affirmer ni nier l appartenance de l instance une de ces classe Pour pouvoir continuer la descente vers l une des classes possibles la classification hypoth tique permet l utilisateur de poser des hyp
348. nstance repr sentent des individus particuliers par exemple Pele mais aussi Papin et Beckenbauer cette famille appartiennent des syst mes comme KRL BOB amp 77 qui a les unit s de base abstraites et de sp cialisation d un c t et les unit s individuelles de l autre FRL ROB amp 77 avec les unit s g n riques et individuelles et SHIRKA REC88 qui distingue les sch mas de classe et les sch mas d instance Enfin dans quelques syst mes un sch ma comporte une partie prototypique et une partie g n rique lt 2 DROITE DROITE lt gt ERP i D EA A zde B gauche gauche gauche invisibl gauche visible Fig 1 8 Syst me de sch mas d un cube regard de trois points de vue diff rents un sch ma est li un autre par une transformation spatiale exemple tir de MIN75 Nous allons centrer l expos sur l approche d finitionnelle qui est la plus r pandue et la plus proche de notre travail Repr sentation de la connaissance L unit de repr sentation de la connaissance est une structure trois niveaux sch ma attribut facette Fig 1 9 le sch ma est compos d une collection d attributs Un attribut slot repr sente une propri t ou relation de l objet repr sent par le sch ma il est d crit en termes de descripteurs ou facettes Une facette peut tre d clarative statique ou proc durale dynamique une facette d clarat
349. nt avec des connaissances incompl tes La port e de la fonction d appartenance est augment e ici pour accepter la valeur possible ou inconnue Le pr dicat rend possible pour une instance incompl te si la connaissance que l on a de l instance ne permet ni d affirmer ni de nier son appartenance la cat gorie fc U gt vrai faux possible fc x vrai ssi x rel ve de la cat gorie fe x faux ssi x ne rel ve pas de la cat gorie fe x possible si f x faux et l on ne peut pas affirmer fe x vrai Ainsi extension d une cat gorie C a au moins tous les l ments s rs et au plus tous les l ments s rs et tous les l ments possibles si Vrai xe Ul fc x vrai et poss xe Ul fc x possible alors vrai vraiU poss Relation d ordre entre cat gories Les cat gories d une base de connaissances sont organis es dans un graphe induit par une relation d ordre partiel not lt Une cat gorie C est inf rieure pour l ordre une cat gorie D not C lt D D est un pr d cesseur de C et C est un successeur de D si l ensemble d l ments potentiels de la cat gorie C est inclus dans l ensemble d l ments potentiels de la cat gorie D Avec la d finition par pr dicat C lt D ssi c W c est dire fc entra ne logiquement gt fq autrement dit C lt DssiVxe U fe x vrai gt fq x vrai 124 D finition structurelle D f
350. nt de vue les classes du chemin suivi par l instance dans ce point de vue deviennent des classes s res Lorsque la descente continue ces classes sont ferm es au sens o on ne va plus les interroger ni les examiner dans la classification Toutes les sur classes d une classe s re ferm e sont des classes s res ferm es Dans un tat stable les sous classes directes d une classe s re ferm e sont toutes marqu es Fig 6 7 N Une classe s re terminale Fig 6 8 est une classe s re partir de laquelle l instance ne peut plus descendre l Si la marque s re d une classe s re ouverte a t obtenue en descendant l instance dans ce point de vue alors l instance a toute l information concernant cette classe Si la marque a t obtenue par instanciation de la classe ou par une passerelle la classe peut avoir des informations qui ne sont pas encore int gr es dans l instance 190 1 soit parce qu elle n a pas de sous classes elle est une feuille de l arbre de ce point de vue 2 soit parce que toutes ses sous classes sont marqu es comme des classes impossibles 1 2 Fig 6 8 La classe s re terminale d un point de vue est la plus petite classe s re de l instance dans ce point de vue 6 2 4 Les statuts des points de vue Le but de la classification tant de descendre l instance le plus bas possible dans les points de vue principaux les points de vue auxiliaires et cach s servent la class
351. nt utiles que lorsque l on a restreint l espace de recherche l ensemble d objets concern s par ce raisonnement Ainsi par exemple avant de classer un nouvel objet dans la base de connaissances immobili res il faut au moins savoir s il s agit d un appartement d une personne ou d une agence 5 2 1 Les attributs d un concept Les instances d un concept sont d crites par un ensemble d attributs Ces attributs sont d finis au niveau du concept La d finition d un attribut d un concept comporte d une part information g n rale li e l attribut qui est valide pour toutes ses occurrences dans le concept et d autre part le plus grand domaine de valeurs possibles pour cet attribut le 1Ce choix limine le conflit de nom d attributs DUC amp 92 lors d une sp cialisation multiple 2 4 2 154 domaine maximal Ce domaine correspond au type maximal de l attribut la description de cet attribut dans une classe d termine un sous ensemble du domaine maximal et donc un sous type du type maximal L information g n rale de l attribut inclut sa nature propri t composant ou relation son caract re mono ou multi valu et les t ches ou sch mas de m thodes d finis dans la base pour valuer cet attribut Cette information g n rale est valide et fig e pour toutes les instances du concept Ainsi par exemple si l on d finit l attribut pi ce du concept Appartement comme tant multi
352. nte verticale veut dire que dans un AC l instance est descendue une sous classe de la classe actuelle soit en utilisant une passerelle ou plusieurs pour changer les composants du tuple Dans un SC consistant l utilisation d une passerelle entra ne un changement d un des composants du tuple soit en changeant simultanement les composants par la descente verticale et par l utilisation des passerelles A x A x AX x k Fig 7 7 Pour chaque ACK est pr sent e la trace de classification de x A x les fl ches repr sentent les passerelles Soit Q lt O1 0m gt 1 lt Xgyr r Xam gt E ECA et soit le graphe G Q gt tel que 1 lt a 0m gt gt lt B1 Bm gt lt XBy XBm gt est accessible partir de lt Xqy Xo gt 2 La relation est d finie comme lt 0 m gt gt lt B1 Bm gt gt lt O m gt lt p lt B1 Bm gt Vi a est un pr fixe de B Cela signifie que le graphe G ne poss de pas de cycle donc chaque s quence d tats accessible est de longueur finie Les s quences maximales en partant de l tat lt X X gt finissent toujours en S classifications Par ailleurs si nous consid rons le graphe G comme un graphe de r duction la confluence locale entra ne la confluence et la canonicit car pour un syst me de r criture R noeth rien R est confluent si et seulement si il est localement confluent Donc l ensemble
353. ntenir la coh rence de la base la diff rence des autres syst mes de ce groupe OTHELO mod lise uniquement des relations maitre esclave c est dire celles ayant un objet influant et un objet d pendant par exemple la relation de composition et l h ritage Automobile sorte de objet nil lt compose de nil gt statut structurel domaine ref lt Carrosserie Moteur Roue ntl heritage lt lt Carrosserie lt couleur Carrosserie ni Carrosserie sorte de objet nil lt compose de nil gt statut structurel domaine ref lt Capot Porte Toit nil gt lt couleur nil gt domaine ref lt ident gt Fig 2 19 Description en OBJLOG des classes Automobile d objets composites et Carrosserie un de ses composants Ils partagent l attribut couleur MAS amp 89 85 2 5 3 Approche parties contraintes relations Les syst mes de ce groupe tels que THINGLAB BOR81 CONSTRAINTS SUS amp 80 et VIEWS DAV87 utilisent une repr sentation proche des r seaux s mantiques dans laquelle les objets parties sont li s par des relations g n riques ces objets et ces relations sont restreints par un ensemble de contraintes qui peuvent servir pour inf rer des connaissances par propagation de valeurs connues Constraints et ThingLab Fig 2 20 ou pour limiter la structure d un groupe de parties et de relations Views En ce qui concerne la relation de composition c est au concepteur de d finir la s
354. ntic Networks Explorations in the Representation of Knowledge J Sowa d Morgan Kaufman Publishing chapitre 11 pp 331 361 1991 QUI93 QUINTERO A Parall lisation de la classification d objets dans un mod le de connaissances multi points de vue Th se d informatique Universit Joseph Fourier Grenoble juin 1993 REC88 RECHENMANN F SHIRKA syst me de gestion de bases de connaissances centr es objet Manuel d utilisation 1988 ROU88 ROUSSEAU B Vers un environnement de r solution de probl mes en biom trie Apport des techniques de l intelligence artificielle et de l interaction graphique Th se de doctorat Universit Claude Bernard Lyon 1 Lyon 1988 209 210 Chapitre 7 Correction et complexit Correction et complexit ssiisisssessesstessessssesseossacssos nn ss oeastsssso soest eenst is sossen 2 LO Introduction seee oe e eiee ei Eose EENE en ne nn en nr ne nn EEE nt S 7 1 Correction de l algorithme 7 1 1 Forme de clasfificati n s ss nain s i EEE EEEE E EEE sn 7 12 Arbre de ClassitiCathonns s sa sscacsisssssssssssssosssssentssssssnsnasisscusssssevbscsaseassovnssasscashseondsessssiseenasasosessbescadsssessaasbascossaancaessoussssceniseye 7 1 3 Trace de classification 7 1 4 Syst me de classification 7 1 5 S CIASSIfICATION RR 7 1 6 Consistance d un syst me de classification nee 219 7 1 7 Convergence de la classification we 220 7
355. ntiels d un concept n est pas facile Cependant la nature par d faut des propri t s des prototypes emp che toute capa cit d finitionnelle et toute d duction caract re s r dans la base BRA85 Dans lap proche classe instance une classe tablit des conditions n cessaires pour ses instances ainsi toute instance I de la classe C poss de toutes les propri t s pr sentes dans C et satisfait toutes leurs conditions De m me toute sous classe de la classe C h rite de toutes ses propri t s et contraintes Un prototype par contre poss de des propri t s qui sont vraies seulement pour les individus de la cat gorie toute copie du prototype pour lesquels elles ne sont pas explicitement annul es Cette facilit d annulation offerte pour 89 traiter les exceptions peut tre utilis e sur toutes les propri t s du prototype aucune propri t n a un caract re n cessaire aucun ensemble de propri t s n est d finitionnel n cessaire et suffisant Ainsi par exemple on peut dire qu une pierre est un l phant except qu il n a pas de trompe il n est pas vivant il n a pas de pattes BRA85 Une pierre peut donc tre construite partir d une copie du prototype l phant et une annulation de toutes ses pro pri t s cette construction est refl t e dans la base de connaissances par un lien copie de liant la pierre avec l l phant A la diff rence des liens sorte de
356. ntrent les diff rentes fa ons de r soudre le conflit d h ritage multiple L h ritage multiple est le m canisme d h ritage des attributs d une classe ayant plusieurs sur classes Une classe peut avoir plusieurs sur classes seulement si dans un niveau sup rieur du graphe il existe deux classes s urs C1 et C2 non dis jointes c est dire dont les ensembles potentiels d individus ont une intersection non vide Ainsi le probl me conceptuel qu on essaie de r soudre avec l h ritage multiple est le traitement des l ments de l ensemble intersection de deux classes non disjointes C1 et C2 Fig 2 14 c2 a a Ce Fig 2 14 Le probl me de l h ritage multiple ne peut se pr senter que lorsque deux classes s urs d crivent des ensembles non disjoints d individus La solution de ce probl me par h ritage multiple revient cr er une classe C3 sous classe de CI et C2 Cette sous classe repr sente l intersection de ses sur classes ou bien un sous ensemble de cette intersection Fig 2 15 C2 a0 C3 Fig 2 15 La multi sp cialisation c est a dire la cr ation d une classe ayant plus d une sur classe demande des algorithmes d h ritage multiple qui peuvent avoir a traiter des conflits d h ritage d attributs du m me nom N anmoins il peut y avoir des cas o la sous classe C3 dans l exemple Fig 2 15 n a pas de raison d tre en tant que telle par exemple lorsqu
357. o Sd en a ne needs eee a aa n Le Introduction ssh en diner en genus dsassasssasasbasnsaasassasnesaanpeagsastoanspaadssbunidtunasssosveesoedssons 151 5 1 Une base de connaissances TROPES een 151 5 1 1 Les concepts d une base de CONNAISSANCES nn 152 5 1 2 Les points de vue d une base de CONNAISSANCES rene 153 5 2 Les concepts de l Base s c csscssssssssssscsssss asssecssassassseccoaesonszsscutssnsysssususdengsdsseissassassseauasesvasnesuesecbas ie PEER oS EERS Ea Eisean sta Sne 154 5 2 1 Les attributs d n Concept siss eron oeiee ne an nan nan a E EEE ent 154 522 Lacl dun concepten e AE TEN E AE AEA A E aha AEAN R A 156 5 3 Les points d Vue d un COntept sssr e e e N Ee Pe E e EEEE ae ttes aus eut en 156 5 3 1 Attributs visibles depuis un point de Vue nee 157 5 3 2 Structure d un point de vue 54 J s passerelles entre ponts d vue ss una Mn et net tr ant nn 160 5 4 1 Passerelle unidire tionnell state nt nt evap age teen PEER ESE E 160 5 4 2 Passerelle avec plusieurs sources 5 4 3 Passerelle bidirecti omme lle sssisisssssscesssssessacissasscesansdsssasceuus cossusscdsssessnassussacsssadbussabsassce apne nine 162 5 4 4 Passerelles et sp cialisation de classes nn 163 5 5 Les classes d un point de vue 55 1 Sch ma d une Classe RL RUE et RAR ER ne A a e A eee ns 5 5 2 Description compl te d une classe nee 166 5 5 3 Type dela classes sea usant nes te RME ne aati
358. odifications ou ajouts d attributs le sch ma a une description partielle des attributs de la classe la description compl te peut tre retrouv e en combinant l information donn e explicitement dans la classe avec celle h rit e des sch mas des sur classes Enfin la description compl te d une classe ne comporte que les attributs pour lesquels elle ou ses sur classes tablissent des contraintes le type de la classe tend cette description pour prendre en compte tous les attributs du concept 5 5 1 Sch ma d une classe Le sch ma d une classe comporte le nom de sa sur classe directe et un ensemble d attributs du concept visibles dans ce point de vue Les attributs pr sents dans une classe sont les attributs pour lesquels la classe ajoute des contraintes par rapport ses sur classes Chaque attribut de la classe a une liste de descripteurs qui tablissent de nouvelles contraintes pour l attribut dans la classe et qui r duisent ainsi l ensemble de valeurs possibles pour cet attribut pour les instances de la classe La classe racine du point de vue n a pas de sur classes elle est d crite seulement par ses attributs Dans un point de vue PV une classe D d un concept C est d crite par sa sur classe directe D unique dans le point de vue et par un ensemble d attributs ag 4 9 Acx visibles dans PV avec leurs contraintes dans D ty tg ty C D PV D ac ty ac 12 dcx
359. of Knowledge by Machine Findler N d New York Academic Press 1979 HEWITT C E PLANNER A Language for Proving Theorems in Robots in Proceedings if the 1th ICAI pp 295 301 Washington D C 1969 KAZMAREK T BATES R ROBINS G Recent Developments in NIKL in Proceedings AAAI 86 Philadelphia PA pp 978 987 1986 KODRATOFF Y Lecon d apprentissage symbolique automatique dans Actes Journ es nationales sur PIA CEPADUES Toulouse 1986 LIEBERMAN H Using Prototypical Objects to Implement Shared Behavior in Object Oriented Systems Proceedings of the First ACM Conference on Object Oriented Programming Systems Languages and Applications septembre 1986 LEVESQUE H J MYLOPOULOS J A Procedural Semantics for Semantic Networks dans Associative Networks The Representation and Use of Knowledge by Machine Findler N d New York Academic Press 1979 LEVESQUE H J BRACHMAN R J Expressiveness and Tractability in Knowledge Representation and Reasoning Computer Intelligence vol 3 pp 78 93 1987 Mc CARTHY J Circumscription A Form of Non Monotonic Reasoning Artificial Intelligence Journal vol 13 n 1 2 pp 27 39 1980 McCOY K The Role of Perspective in Responding to Property Misconceptions in Proceedings of the 5th IJCAI vol 2 1985 MAC GREGOR R M A Deductive Pattern Matcher in Proceedings 7th AAAT 88 St Paul Minnesota pp 403 408 1988 MAC GREGOR RM Inside the LOOM Description Clas
360. omplets mais le raisonnement la diff rence de la logique du premier ordre n est pas monotone et les conclusions obtenues un moment donn peuvent tre remises en question plus tard Avantages A la diff rence des r seaux s mantiques qui repr sentent dans un m me r seau plusieurs propositions ainsi que des d finitions de concepts des relations de sous typages et des liens vers des perceptions du monde les graphes conceptuels organisent les diff rents types d l ments dans des structures diff rentes la hi rarchie de sp cialisation de graphes le treillis de types et le dictionnaire d abstractions qui comporte les graphes auxquels on a associ un nom les d finitions Cette distinction permet la manipulation et la v rification de chaque structure partir d un ensemble r duit de r gles de coh rence D autre part l quivalence entre les graphes conceptuels et la logique du premier ordre garantit la correction des inf rences du mod le De plus la hi rarchie de graphes facilite la g n ralisation des inf rences obtenues sur un graphe particulier Par ailleurs le treillis de types permet de contr ler la validit des contraintes de types dans les graphes Finalement l abstraction des concepts offre un m canisme utile de d finition de concepts complexes Certains syst mes utilisent la puissance de la relation de subsomption des langages terminologiques pour structurer les graphes de connaiss
361. ompositions inter d pendantes d un objet particulier dont les composants sont des unit s mono valu s Les d compositions alternatives 112 compl tement ind pendantes d crites au niveau des classes d objets Fig 3 14 et permettant des composants multiples comme les portes de la voiture Fig 3 13 ne peuvent pas tre trait s par ces m thodes Conclusion Les perspectives dans les syst mes de repr sentation de connaissances peuvent repr senter des notions diverses telles que des mondes hypoth tiques diff rents des positions spatiales compl mentaires ou bien l aspect multi disciplinaire d une base de connaissances L approche multi disciplinaire est trait e dans la plupart des repr sentations objets par la multi sp cialisation de classes dans une seule hi rarchie solution qui complique la structure des classes et donne lieu aux probl mes d h ritage multiple d attributs Outre cette repr sentation implicite des perspectives quelques syst mes rendent explicites certains des aspects d une perception multi points de vue du monde tels que le groupement des attributs dans les instances selon la perspective caract ris e KRL le traitement ind pendant des diff rentes perspectives d un objet LOOPS la possibilit de parcourir une partie du graphe des classes selon l int r t de l utilisateur ROME et enfin la possibilit de cr er des taxinomies diff rentes de classes pour chaque perspe
362. on d appartenance trois valeurs seen 70 Solutions multi valu es 10 Raisonnement non monotone 10 2 2 5 Relation de sp cialisation 10 Affinement desattributs 5 ssl AE Rs En ee Te ne nt Este 71 2 3 Taxinomie de classes TT 2 3 1 Hi rarchies de classes 24 2 H ritage MUMpl s iaia a Aa A AEE Sa AE a Oaa EEE EEA EEE EESE ESE E AREA EER ES L approche lin aire L approche 2raphiques rien o EE N N E ER a Ot 80 L approche circonstancielle ss din bat nt ER RR ent EE 80 24 3 Multi instanciation s s 81 2 5 Objets composites rm 82 2 5 1 Relation de composition fixe et pr d finie 84 2 5 2 Syst mes avec une relation g n rique 185 2 5 3 Approche parties contraintes relations 86 2 54 La co subsomption subsomption COMPOSITION rennes 86 2 6 Comparaison avec d autres approches ones 2 6 1 Repr sentation objets langage orient objets hes 2 6 2 Approche classe instance approche par prototype ss 89 2 6 3 Mod le classe instance logique terminologique inner 91 Conclusion Bibliographies ess nn ten en En nn PA A RNA en A ad alg ol eats 93 VES E A A E PEE E AA E E A A T D Introduction internet nn EE 99 3 1 Le concept de perspective inst anne nn nn nn an ni nt ae nee 100 3 2 Les perspectives dans les RiC O ss scosssssssssssssssassssasssisaessssnnssaasessacoosennn
363. on of a Semantic Network for Comprehension and Inference in Associative Networks The Representation and Use of Knowledge by Machine Findler N d New York Academic Press 1979 SCHMOLZE J G LIPKIS T A Classification in the KL ONE Knowledge Representation System in Proceedings of the 8th IJCAI Karlsruhe Germany 1983 SHORTLIFFE E Computer Based Medical Consultation MYCIN Elsevier New York 1976 SOWA J F Conceptual Structures Information Processing in Mind and Machine Addison Wesley Publishing 1984 SOWA J F Toward the Expressive Power of Natural Language in Principles of Semantic Networks Exploration in the Representation of Knowledge J F Sowa d chapitre 5 Morgan Kaufmann Publishing 1991 STEFIK M J BOBROW D G KAHN K M Integrating Acces oriented programming into a Multi Paradigm Environment IEEE Software pp 10 18 janvier 1986 STILLINGS N A FEINSTEIN M H GARFIELD J L et al Cognitive Science An Introduction MIT Press Cambridge MA 1989 SZOLOVITS P LOWELL B H MARTIN W An Overview of OWL a Language for Knowledge Representation Laboratory of Computer Science TM 86 Mass 1977 54 TURSO VAR89 WIL91 WIN72 WOO75 WOO91 TURING A M Computing machinery and intelligence dans Minds 59 pp 433 460 oct 1950 VARELA F Connaitre les Sciences Cognitives Tendances et Perspectives SEUIL Paris 1989 WILLEMS M Subsomption in Knowledge
364. ons les id es principales de la classification d instances et nous d crivons quelques syst mes qui utilisent ce m canisme de raisonnement Nous concluons par un r sum des tapes et caract ristiques principales des algorithmes de classification dans les repr sentations objets 4 1 La classification un m canisme de raisonnement La classification provient du besoin universel de d crire dans tout domaine de discours les r gularit s de collections d instances WEG87 D s que l enfant commence manipuler les op rations concr tes il groupe des objets r els dans des collections diff rentes selon certaines caract ristiques visuelles La cr ation de ces cat gories d objets et leur groupement dans une structure allant des cat gories g n rales aux cat gories plus sp cifiques permet l tre humain d organiser sa connaissance des objets du monde Dans les diff rents domaines de la science l tre humain structure les objets en classes e ainsi par exemple en sciences de la nature on trouve des taxinomies animales min rales et v g tales e en math matiques le concept de classes d quivalence permet de construire des structures hi rarchiques de classes d objets abstraits par exemple la classe YA quivalent mod 10 est sous classe de la classe quivalent mod 2 e en programmation les diff rentes versions d un programme peuvent tre organis es dans une hi rarch
365. ont d finis par une conjonction de litt raux propri t s Une restriction de la subsomption pour prendre en compte les relations d ordre entre ces objets est propos e par Napoli NAP amp 92 Cette relation appel e O subsomption est d finie partir de un ensemble d objets O un ensemble de propri t s P un ensemble de relations d ordre partiels 2p d pendant de chaque propri t pi et de son type 2pi pie P un ensemble de propri t s d ductibles Q La valeur d une propri t q Q est calcul e a partir des r gles de partages sp cifiques S 86 Soit pj Oj la propri t pj associ e l objet Oj Alors un objet O1 d fini par une conjonction de propri t s p1 01 A p2 O1 A A pn O1 O subsume un objet O2 contenant la conjonction p1 O2 A p2 02 A pn O2 si et seulement si p1 01 2p1 P1 O2 p2 01 2p2 p2 02 Pn O1 Zpn Pn O2 De plus si O1 O subsume O2 alors pour tout q Q la valeur q O2 est d duite de la valeur q O1 en utilisant la r gle S Cette relation de O subsomption peut tre tendue pour mod liser la relation de composition En effet la O subsomption permet la mod lisation des relations d ordre entre objets et la relation de composition compos de ainsi que la relation inverse partie de est une relation d ordre partiel entre un composant et le tout si l on accepte qu un objet fasse partie de lui m me La relation de composi
366. onvergence de l algorithme de classification En effet la classification multi points de vue de TROPES classe correctement l instance elle descend correctement l instance vers les classes les plus sp cialis es pour lesquelles elle satisfait les contraintes Cette descente donne un r sultat unique partir d une m me configuration de points de vue ind pendamment de l ordre dans lequel sont explor s les points de vue de l ordre dans lequel sont donn es les valeurs des attributs manquantes ou encore de l ordre d activation des passerelles Dans la deuxi me partie nous avons fait le calcul de la complexit maximale de l algorithme La complexit de la classification est d termin e par celle de la proc dure d appariement et celle de la proc dure de propagation de marques Le co t de l appariement d pend du co t de la validation du type d un attribut d une classe Pour r duire la complexit de cette validation le syst me calcule le type normalis de chaque attribut de chaque classe lors du chargement d une base Le parcours du graphe d pend du nombre de points de vue dans le concept du nombre de passerelles et de la hauteur maximale de ces points de vue L utilisation des passerelles lors de la descente de l instance r duit la complexit de l algorithme Bibliographie AHO amp 74 AHO A HOPCROFT J ULLMAN J The Design and Analysis of Computer Algorithms Addison Wesley 1974 CAR amp 92
367. ossible Adelscott o Fig 4 13 Adelscott n a pas de valeur pour l attribut chaude de Cocktail_a_base_de_fruits La classification d instances dans SHIRKA est un processus interactif et it ratif L information initiale de l instance tant incompl te le syst me peut avoir besoin d infor mations manquantes lors de la descente de l instance dans le graphe Lorsque le syst me a besoin d une connaissance manquante pour continuer la descente de l instance il essaye de l inf rer partir des connaissances de la base s il n y arrive pas il la demande Putilisateur SHIRKA offre une option de sp cialisation d instances cas particulier de la classification o l utilisateur indique le nom d une classe et d une instance existant dans la base et le syst me retourne la mention de cette classe pour cette instance s r possible ou impossible 4 5 2 Classification d instances dans les logiques terminologiques Dans les logiques terminologiques la connaissance d un individu est d crite deux niveaux D une part il y a une connaissance d finitionnelle de l individu qui est d crite de m me que pour les concepts g n riques par un concept de la base construit partir des op rateurs du langage terminologique TBox 1 3 5 ce concept est appel un concept individuel D autre part l instance est utilis e dans des phrases du langage assertionnel ABox qui d crivent des faits Ces ax
368. oth se peut entra ner une relocalisation de l instance mais ne modifie pas les autres hypoth ses La deuxi me approche suppose que 260 l mission d une hypoth se d pend des hypoth ses pr c dentes la mise en cause d une hypoth se entra ne celle des hypoth ses post rieures Cette approche g re une pile de contextes hypoth tiques un contexte hypoth tique est cr chaque fois que l instance descend d un niveau et il contient outre l tat des marques des classes apr s la descente les hypoth ses qui ont permis cette descente La relocalisation de l instance lors de la mise en cause d une hypoth se se fait en enlevant de la pile tous les contextes partir du contexte qui contient cette hypoth se L ajout des t ches au mod le et la gestion des liens de justification et de d pendance entre attributs permet une classification hypoth tique automatique Enfin la classification d objets composites tend la classification simple aux objets qui sont form s d autres objets dont l existence d pend de celle de l objet composite Deux modes sont possibles la classification maximale qui classe tous les composants et la classification minimale qui classe seulement l objet composite La structure de composition arborescente de TROPES et la restriction des diffusion de valeurs de l objet composite ses parties garantit la terminaison et l unicit de l algorithme de classification d obje
369. oth ses soit sur les valeurs manquantes de l instance soit sur ses classes d appartenance et de continuer la classification avec l instance hypoth tique choisie cette extension de la classification a un statut hypoth tique et peut tre remise en cause tout moment Enfin la classification d objets composites concerne la localisation des objets appar tenant un concept composite c est dire ayant des attributs de nature composant qui prennent des valeurs dans des concepts d finis de la base de connaissances Cette clas sification peut tre maximale ou minimale La classification maximale consiste classer toutes les instances intervenant dans la description de l objet composite classer Dans la classification minimale seul l objet composite est class ses composants sont descendus dans leurs concepts seulement lorsque cette descente est n cessaire pour pou voir continuer la classification de l objet composite En TROPES par d faut la classifica tion d objets composites est une classification minimale Cette classification est comme la classification simple sauf pour les tapes d appariement et d obtention d information qui font appel des proc dures de validation et d instanciation des valeurs des attributs composants 245 8 1 Relocalisation d une instance Relocaliser une instance d j class e dans la base consiste recalculer ses classes d appartenance les plus sp cialis es
370. ous classe c est dire qu elle doit satisfaire les nouvelles contraintes de l affinement de l attribut 5 6 4 L arbre de types d un attribut d un concept Comme nous l avons pr sent auparavant la description compl te d un attribut pour une classe d termine le type de cet attribut pour la classe l ensemble des valeurs pos sibles Affiner un attribut att dans une classe C consiste d terminer un sous ensemble de l ensemble des valeurs possibles de la sur classe directe de C c est dire d crire un sous type du type de l attribut att dans C Ainsi la relation de sous typage est en accord avec la relation de sp cialisation de classes Pour chaque attribut d un point de vue du concept TROPES garde un arbre des diff rents types de cet attribut dans les classes de ce point de vue du concept les types sont organis s selon la relation de sous typage et chaque type d attribut est associ e la classe la plus g n rale contenant ce type pour cet attribut lapremi re en partant de la racine dans laquelle ce type appara t L arbre des types permet un parcours du graphe de classes dirig par les attributs ce qui r duit l es pace de recherche lors des modifications ou v rifications ponctuelles ne concernant qu un attribut 171 5 7 Les instances d un concept Une instance TROPES est un individu particulier d un concept identifiable de fa on unique par sa cl dans le concept et di
371. ous allons expliquer pour les diff rents types d attributs et de concepts la proc dure de normalisation des descripteurs de domaine utilis e dans TROPES puis la proc dure de validation du domaine et enfin la complexit de cette validation Le domaine des valeurs possibles d un attribut est d termin pour les attributs mono valu s par deux descripteurs dom et sauf Les attributs multi valu s utilisent aussi le descripteur card 5 6 1 Par la suite nous allons pr senter la structure d un domaine normalis et la fonction de validation pour des attributs mono valu s des concepts ordonn s et non ordonn s puis la normalisation et la validation des attributs multi valu s aussi bien pour les concepts ordonn s que pour les concepts non ordonn s Attribut mono valu prenant ses valeurs dans un concept ordonn TROPES distingue deux cat gories de concepts selon leur domaine de base les concepts ordonn s et les concepts non ordonn s Lorsqu un attribut prend ses valeurs dans un concept ordonn ces valeurs sont comparables par une relation d ordre total c est le cas du concept primitif entier Le domaine de valeurs possibles aussi bien le descripteur dom que le descripteur sauf peut tre d crit par des valeurs simples ou par des intervalles de valeurs La normalisation d un tel domaine consiste a cr er les inter valles d crivant toutes les valeurs possibles pour l attribut Par exemple l attribut 226
372. ouverte est une classe s re dont les sous classes n ont pas encore t explor es en principe une telle sous classe n a pas de marque sauf si elle est une passerelle marqu e impossible dans un autre point de vue Le sous arbre de classes non marqu es dont la racine est la classe s re ouverte est appel arbre actif Fig 6 7 Tout point de vue a au plus une classe s re ouverte la plus petite classe s re de l instance a un moment donn Fig 6 7 classe sure ouvert classe sure ferm classe pas marqu e classe impossible e O A arbre impossible arbre non marqu arbre actif passerelle inactive passerelle active 7 sens de la passerelle Fig 6 7 Dans un point de vue toutes les sur classes de la classe la plus sp cialis e de l instance sont des classes s res ferm es La classe la plus sp cialis e peut tre s re ferm e si l instance y est d j descendue ou s re ouverte sinon Les classes s urs de toutes les classes s res sont des classes impossibles Une passerelle inactive est une passerelle dont les classes extr mit s sont d j marqu s s rs ou impossibles sinon elle est active Un arbre actif est un arbre non marqu Une classe s re ferm e est une classe s re dont les sous classes ont d j t explor es l information de l instance pour cette classe a t d j compl t e Au fur et mesure que la classification fait descendre l instance dans un poi
373. p 77 MERING FER84 Attachement proc dural pour un calcul Plusieurs repr sentations a objet REC88 utilisent l attachement proc dural pour inf rer la valeur d un attribut partir des autres attributs par une m thode pr d finie de calcul Par exemple si la classe plan te a deux nouveaux attributs masse et densit alors l attribut densit peut avoir une m thode de calcul partir de la masse et du diam tre Ainsi si pour une instance de plan te le syst me conna t la masse et le diam tre il peut d duire la densit Valeur par d faut La valeur par d faut d un attribut est la valeur standard pour cet attribut pour les instances de la classe A la diff rence de la valeur fixe la valeur par d faut est une hypoth se prise en l absence de la valeur dans l instance En tant qu hypoth se elle peut tre remise en question a tout moment De m me les inf rences faites avec des valeurs par d faut sont des inf rences hypoth tiques qui ne peuvent pas tre utilis es comme des faits certains Malgr le caract re hypoth tique du d faut la plupart des syst mes utilisant la facette par d faut utilisent cette valeur pour faire des inf rences caract re certain sur la base c est le cas de KRL BOB amp 77 OBJLOG DUG91 MERING FER84 et YAFOOL DUC88 Facette r flexe Un r flexe est une action associ e un attribut cette action se d clenche lors d une modification ou d une r
374. p marques Alors la complexit de ce calcul est p h z V rifier que la combinaison des marques de la passerelle permet de d duire la marque d une de ses classes non marqu e et mettre jour les structures C_min et L_imp du point de vue de cette classe pour prendre en compte sa nouvelle marque Les deux cas qui d clenchent une propagation sont r gles 4 5 et 6 de 6 3 5 234 Toutes les sources de la passerelle ont la marque s re alors la destination D PVx est marqu e s re Marquer comme s re la destination D PVx revient mettre jour la classe C_min de PVx C_min D Cette action a un co t constant k Fig 7 16a Toutes les sources sauf une C PVy non marqu e ont la marque s re et la destination a la marque impossible alors C PVy est marqu e impossible ce qui revient a l ajouter la liste des racines des sous arbres impossibles de C_min de son point de vue L_imp PVy Cet ajout a un co t constant k Fig 7 16b Repr sentation d une passerelle taille maximale B RC EU La N Sources destination a fessssss Sga Wre A effacer passerelle p k C Pvx j CaL_imp PVx k effacer passerelle p k C Pvx c effacer passerelle p k d gt effacer passerelle p k CT gt Combinaison de marques Action prendre possibles pour une passerell lors de la propagation Co t Fig 7 16 Pour chaque passerelle l algorithme calcule les marques de ses clas
375. pas si les parties sont du m me type que le tout ou pas et s ils sont s parables du tout ou pas Le la relation composant partie tout par exemple entre le moteur et la voiture la relation membre collection entre un arbre et la for t 82 la relation portion masse entre un grain de sel et le sel la relation mati re objet existante entre bois et armoire la relation tape activit qui lie le fait de payer l activit compl te de faire des courses la relation lieu aire entre par exemple une oasis et le d sert Ces relations de compositions diff rent en trois aspects fonctionnalit si la relation entre le tout et les parties est fonctionnelle ou pas c est dire si chaque partie r alise ou sert a r aliser une sous tache de la tache r alis e par le tout homog n it si les parties sont du m me type que le tout s parabilit si les parties sont s parables du tout La relation de composition est une relation transitive non r flexive et antisym trique e non r flexive car un objet n est pas partie de lui m mel e asym trique car si a est partie de b alors b n est pas partie de a e transitive car si a est partie de b et b est partie de c alors a est partie de c Cette derni re propri t de transitivit n est pas toujours valide Par exemple on peut dire WIN amp 87 Le carburateur fait partie du moteur relation composant objet entier Le moteu
376. point de vue partir de la sur classe directe de C Les attributs affin s sont d j pr sents dans une sur classe de C mais leurs contraintes sont modifi es dans la classe pour restreindre les valeurs permises Pour obtenir la description compl te d un tel attribut il faut parcourir les liens sorte de en partant de la classe C Enfin les attributs ajout s dans la classe C ne sont pas pr sents dans ses sur classes Leurs descriptions compl tes pour se trouvent dans le sch ma de la classe C L information compl te de la description d un attribut pour une classe apr s le parcours des classes concern es est une liste compl te des descripteurs contraignant l ensemble de valeurs possibles pour l attribut Cette liste de descripteurs peut tre normalis e pour arriver une forme unique simplifi e qui d crit le type de l attribut pour cette classe dans la section 5 6 3 nous pr sentons les r gles d affinement et normalisation d attributs La description compl te d une classe c est dire l ensemble des informations relatives aux attributs de la classe poss d es et h rit es est calcul e lors de sa cr ation et elle est mise jour chaque modification du sch ma de la classe ou d une de ses sur classes Cette description rend plus rapide la v rification de l appartenance d une instance une classe 6 La normalisation d un attribut est expliqu e dans 5 6 3 2 Type d un at
377. pos es Par exemple le type de l attribut nom de la classe plan te est cha ne l attribut plan tes_ voisines est du type de la classe plan te Facette du domaine La facette du domaine indique parmi toutes les valeurs du type de l attribut celles qui sont des valeurs valides pour cet attribut dans les instances de la classe Pour la classe plan te de l exemple l attribut nom a une facette domaine qui indique que la collection de cha nes permises pour cet attribut est r duite Mercure V nus Terre Mars Jupiter Saturne Uranus Neptune et Pluton Certains syst mes utilisent aussi la facette sauf pour exclure explicitement des l ments du domaine solution par exemple sauf 13 pour un attribut de type entier d crit le domaine compos de tous les entiers sauf la valeur 13 Facette contrainte planete nom planetes_voisines Sens_de planete sib_ filtre planete planetes_ voisines Svar lt lui nom Svar gt planetes_voisines Fig 2 3 Dans Shirka les filtres permettent de r cup rer de la base de connaissances des sch mas satisfaisant des conditions particuli res Par exemple ici la valeur de l attribut planetes_voisines pour un planete X est obtenue en r cup rant tous les sch mas de planete ayant X dans l ensemble de valeurs de leur attribut planetes_ voisines D autres contraintes de valeurs peuvent tre d crites l aid
378. posent deux fa ons de traiter les conflits de noms soit la classe h rite de tous les attributs conflictuels avec l information de leurs chemins d h ritage soit elle n h rite que d un attribut La deuxi me possibilit sert dans les cas o on peut v rifier en regardant le chemin d h ritage que m me s ils viennent de sur classes diff rentes les attributs ayant le m me nom sont d clar s initialement dans un anc tre commun Quoique dans cette approche la solution des conflits ne d pende pas de la fa on de parcourir le graphe la source s mantique du conflit n est pas trait e non plus L approche circonstancielle Dans cette derni re approche on peut classer tous les algorithmes qui en acceptant que le traitement des conflits dans l h ritage multiple est circonstanciel et non g n ralisable essaient de trouver une solution moins rigide que les pr c dents D autre part Wegner WEG87 affirme que dans le cas de conflits il doit y avoir une interd pendance comportementale entre les attributs du m me nom et il propose donc de d finir dans la sous classe l attribut conflictuel avec une fonction reliant tous les attributs de m me nom h rit s Le cas extr me se trouve dans les derni res versions de SMALLTALTK GOL amp 83 o c est l utilisateur qui doit r soudre les conflits en disant explicitement quel est l attribut dominant 80 2 4 3 Multi instanciation Les sections pr c dentes mo
379. positions diff rentes dans un m me point de vue c est le cas des classes _piston et moteur_ rotatif du point de vue m ca nique du concept moteur car pour les moteurs rotatifs le piston est remplac par un com posant triangulaire excentr Cependant une fois qu une d composition est tablie dans une classe elle doit tre conserv e dans toutes ses sous classes Ce choix bien que restrictif est coh rent avec le sens d composition structurelle que nous avons voulu donn la relation de composition dans TROPES La structure d un objet ne change pas une fois que l on a reconnu dans un objet une structure de composition particuli re celle ci celle ci doit tre conserv e Lorsque dans une classe on parle de la d composition des objets de la classe on donne tous les composants cela veut dire que dans les sp cialisations de cette classe on peut affiner les composants mais on ne peut pas en ajouter Sp cialisation de classes Affinement des attributs composants Dans TROPES la relation de composition tablit une d pendance exclusive et existentielle entre le composant et l objet composite Cela veut dire que lorsqu une ins tance I d un concept C devient la valeur d un attribut composant att d une autre instance O d un autre concept D l instance I ne peut appara tre nulle part ailleurs dans la base et elle ne peut pas exister sans l objet composite A nsi pour un attribut composant le
380. possibles Si lors de la pr c dente classification de l instance les marques s res de ces classes avaient servi pour d duire les marques d autres classes par des passerelles alors ces marques d duites ne sont plus valides et doivent tre modifi es Fig 8 3 PVx PVy PVz Apr s avoir remont l instance et avoir marqu les nouvelles classes impossibles Fig 8 3 La remont e de l instance dans PVx remet en cause la passerelle de C14 A2 et celle de C142 A2126 5 G car la marque s re de C14 aurait pu servir a marquer A2 comme s re et celle de C142 avec G impossible marquer A2126 5 comme impossible Comme l algorithme de classification ne m morise pas le chemin suivi par la classification ni les passerelles utilis es le syst me ne peut pas savoir une fois la classification achev e si une passerelle particuli re a t activ e c est dire si l une de ses classes a t marqu e en fonction des autres classes de la passerelle et non pas par appariement direct avec l instance Ainsi lors de la remont e de l instance le syst me doit identifier les passerelles ayant pu tre activ es dans la pr c dente classification de l instance et pour lesquelles cette activation ne serait plus valable Pour chacune de ces passerelles le syst me doit v rifier par appariement direct avec l instance si la marque qui aurait pu tre d duite par la passerelle est une marque valide ou non a
381. poth tiques La classification essaie de descendre cette instance hypoth tique le plus bas possible dans les diff rents points de vue 253 La classification d une instance hypoth tique suit la m me d marche que la classification d une instance normale 6 Elle fait descendre l instance dans les diff rents points de vue de son concept Les marques s res possibles et impossibles sont interpr t es ici comme s re sous l ensemble d hypoth ses H possible sous l ensemble d hypoth ses H et impossible pour l ensemble d hypoth ses H La classification d instances hypoth tiques comporte les m mes tapes que la classification normale Lorsque dans les tapes d obtention d information et d appariement l utilisateur donne des valeurs pour des attributs manquants ces valeurs peuvent tre interpr t es de trois fa ons diff rentes a La valeur est s re pour l instance ind pendamment des hypoth ses pr c dentes b La valeur est hypoth tique et cette hypoth se est ind pendante des hypoth ses pr c dentes c La valeur est une valeur hypoth tique choisie en fonction des hypoth ses pr c dentes C est notamment le cas des valeurs par d faut car celles ci sont rattach es aux sous classes des classes vers lesquelles l instance est descendue gr ce aux valeurs sures ou hypoth tiques de ses attributs Dans le premier cas la valeur s re est ajout e la partie s re
382. ppariement plus efficace que la subsomption Ce m canisme est encore assez peu utilis entre autre parce que la plupart des logiques terminologiques n observent pas l instance mais le concept 1 3 6 Graphes conceptuels Les graphes conceptuels sont des syst mes logiques d velopp s pour la repr sentation les sens des phrases en langage naturel SOW91 Propos s par Sowa SOW84 a partir des id es de Peirce PEI31 les graphes conceptuels offrent une notation de la logique plus proche des propositions en langage naturel que la logique des pr dicats du premier ordre Par exemple l affirmation un chat est sur le toit qui correspond en logique du premier ordre la formule 3x Sy chat x A toit y A sur x y est repr sent e par le graphe conceptuel CHAT gt SUR gt TOIT A partir de quelques l ments de base Sowa d veloppe une th orie formelle sur les graphes permettant de faire des transformations correctes et des inf rences logiques et propose un op rateur pour transformer un graphe dans une formule logique quivalente Repr sentation de la connaissance Un graphe conceptuel est un graphe fini connexe biparti il comporte deux types de n uds les concepts et les relations conceptuelles Toute relation conceptuelle a un ou plusieurs arcs chacun li un concept un concept simple peut tre consid r comme un graphe Avec cette repr sentation il est possible d apparier les p
383. ppartenance d un individu a un concept primitif doit tre tablie par l utilisateur celle d un concept d fini est tablie par le syst me La relation de subsomption Les concepts sont organis s en une hi rarchie de g n ralisation induite par la relation de subsomption un concept A subsume un concept B si l ensemble d individus d not par A contient l ensemble d individus d not par B A est appel le subsumant et B le subsum LEV amp 87 Par opposition cette d finition extensionnelle de la subsomption des d finitions logique et intensionnelle on t propos es WOO91 Du point de vue logique la d fini tion d un concept correspond un pr dicat logique unaire qui d termine l appartenance d un individu au concept partir de cette d finition un concept A subsume un concept B si tre un individu d crit par B entra ne logiquement tre un individu d crit par A c est dire si Vx B x gt A x McGRE88 La subsomption intensionnelle concerne la structure des concepts A subsume B si tout individu d crit par B l est aussi par A autrement dit si l ensemble de propri t s d un individu dont la description est d finie par B contient l ensemble des propri t s qui sont sp cifi e par A Tout concept se compose donc des propri t s h rit es de ses sub sumants qu il peut affiner et des propri t s d finies localement Une description subsume 44 au nive
384. pr sentation de la connaissance en termes d une structure de sp cialisation de cat gories d objets favorise un raisonnement classificatoire Le raisonnement classificatoire consiste confronter une nouvelle connaissance un ensemble de connaissances connues pour d duire des informations li es cette nouvelle connaissance Le raisonnement classificatoire est un m canisme d inf rence primordial Face une nouvelle situation une personne tire partie des exp riences v cues pour effectuer le choix des actions entreprendre Pour ce faire elle d termine la position la plus appropri e pour cette nouvelle situation dans la structure o 1l m morise celles d j connues puis il inf re des connaissances induites par cette localisation Ce type de raisonnement est tr s souvent utilis en r solution de probl mes la connaissance du domaine s exprime par une taxinomie de types de probl mes connus une taxinomie de types de solutions et des liens heuristiques entre eux Pour r soudre un probl me une personne le classe dans la taxinomie de probl mes puis lui associe par une heuristique le type de solution le plus appropri dans la taxinomie de solutions et enfin elle affine la solution par classification Cette d marche de r solution de probl mes est tr s utilis e bien que souvent de fa on implicite dans les probl mes de diagnostic Par exemple en diagnostic m dical o un probl me est donn par l ensemble
385. pris en compte lorsque des attributs d autres concepts prennent des valeurs dans C Cependant les m canismes de classification de TROPES n utilisent pas le type d une classe mais son sch ma et sa description compl te En effet pour tablir si une instance du concept appartient la classe il suffit de v rifier qu elle satisfait la description compl te de la classe si l instance satisfait la description compl te de la classe elle satisfait aussi son type car toute instance du concept satisfait le type maximal des attributs du concept 5 6 Les attributs d une classe Un attribut est d crit dans un sch ma de classe par son nom et une liste de descripteurs Ces descripteurs peuvent restreindre le type ou le domaine des valeurs de l attribut ou bien proposer une valeur par d faut L ensemble des descripteurs de TROPES est un sous ensemble des descripteurs pr sent s dans 2 2 3 en particulier le descripteur d attachement proc dural n est plus pr sent dans les classes mais au niveau du concept REC92 5 6 1 Descripteurs d un attribut dans un sch ma de classe Descripteurs de type Un attribut d un concept prend ses valeurs dans un type de base Ce type de base peut tre un domaine primitif comme entier cha ne etc ou bien un domaine d fini form par l univers d instances d un autre concept de la base Ainsi par exemple dans un 1 L id e de d finir le type d une classe comme la compositio
386. probl matiques r elles le syst me doit manipuler des connaissances impr cises et incompl tes Le raisonnement avec des connaissances impr cises utilise des techniques d approximation comme les probabilit s et les ensembles flous Raisonner avec des connaissances incompl tes n cessite des hypoth ses c est dire des affirmations temporaires susceptibles de devenir fausses On identifie deux approches du raisonnement hypoth tique le raisonnement par d faut et le raisonnement avec un ensemble de possibilit s Le raisonnement par d faut en l absence d information la situation la plus vraisemblable est prise La d termination de cette situation a donn lieu diff rentes th ories telles que la th orie du monde clos CWA REI78 la circonscription McCAR80 la th orie des valeurs plus probables ou d fauts REI80 et les d fauts dans les taxinomies GEN amp 87 Dans la th orie de d faut de Reiter les r gles de d faut indiquent les inf rence par d faut que l on peut faire en absence d information pr cise Par exemple la r gle de d faut oiseau x Mvole x dit que tout oiseau pour lequel supposer qu il vol vole x n entraine aucune insistence vol Le raisonnement avec un ensemble de possibilit s cette approche qui peut tre vue comme une g n ralisation de l approche pr c dente ne choisit pas une valeur pr f rentielle mais un ensemble de valeurs possibles Deux techniques coexis
387. profiter des caract ristiques inh rentes une instance pour faire un algorithme plus efficace que le classifieur cet algorithme est appel le r aliseur est sera d crit plus en d tail dans 4 5 2 Probl me localiser X et l ins rer 2 Recherche des SPG r sultat HI 3 Insertion dans la hi rarchie Fig 1 13 La classification d un nouveau concept comporte trois tapes la rechercher des subsumants les plus sp cifiques SPS la recherche des subsum s les plus g n raux SPG et l insertion du concept Avantages Par opposition aux r seaux s mantiques dans lesquels les liens et les noeuds sont utilis s avec diff rentes s mantiques dans les logiques terminologiques les concepts et les liens ont une s mantique bien d finie quivalente un sous ensemble de la logique du 47 premier ordre Un exemple de cette quivalence est le syst me OMEGA ATT amp 86 qui sans tre une logique terminologique d crit des composants terminologiques l aide de la logique classique Par ailleurs la taxinomie de concepts permet une organisation ad quate de la connaissance Enfin l algorithme de classification atteint dans certains syst mes comme CLASSIC une grande efficacit Inconv nients Le souci de compl tude du raisonnement a entra n le d veloppement de syst mes ayant une trop faible expressivit et ne pouvant pas repr senter des probl mes int ressants De plus le langage de r
388. pt primitif par exemple les concepts individuels toile_du_soir et toile_du_matin d signent par deux noms diff rents le m me individu la m me toile bien qu il y ait ici une galit en sembliste ni l implication toile _du_soir x gt toile _du_matin x ni l affirmation contraire toile du_matin x gt toile _du_soir x ne peuvent tre d duites partir des pr dicats d finissant ces concepts technique ECHNIQUE D ART propri ta auteur 1 1 restricts Fig 1 12 Repr sentation des concepts ceuvre d art et tableau pr sent s auparavant Fig 1 10 en KL ONE le concept uvre d art a les r les propri taire auteur titre et technique il subsume le concept tableau qui h rite de ses propri t s et contraint restricts les techniques possibles Bien que au niveau conceptuel on puisse voir le concept L comme poss dant toutes les propri t s de tous les concepts de la base dans les syst mes r els sa description ne comporte pas toute cette information et les algorithmes de subsomption intensionnelle ne peuvent pas inf rer que L est subsom par tout autre concept 45 La relation de subsomption est une relation d ordre r flexive antisym trique et transitive qui induit une structure taxinomique des concepts Cette structure a comme l ment maximal le concept THING qui subsu
389. pulation Un syst me base de connaissances est donc un syst me ayant une partie repr sentation de connaissances et une partie raisonnement Dans les deux sections suivantes nous pr sentons la signification et les propri t s des notions de connaissances et de repr sentation le probl me du raisonnement est abord dans la section 1 2 4 1 2 2 La connaissance On peut voir la connaissance comme une mani re de comprendre et percevoir le monde et une th orie de la connaissance comme l explication des rapports entre la pens e et le monde ext rieur d finition du Petit Larousse d 1991 Newell d finit la connaissance d un agent intelligent en fonction des buts atteindre Knowledge is whatever can be ascribed to an agent such that its behavoir can be computed according to the principle of rationality principle of rationality if an agent has knowledge that one of its actions will lead to one of its goals then the agent will select that action NEW81 La connaissance est tout ce qu on peut attribuer un agent de fa on ce que le comportement de cet agent puisse tre calcul selon le principe de rationalit Principe de rationalit si un agent a la connaissance qu une de ses actions peut l amener un de ses objectifs alors il choisit cette action La connaissance peut donc tre d finie comme la perception et la compr hension qu un agent intelligent a d un mo
390. que l on organise du plus g n ral au plus sp cifique La classification permet d ajouter un nouvel objet la cat gorie appropri e pour inf rer des connaissances propres aux objet de cette cat gorie Bibliographie AND83 ANDERSON J R The Architecture of Cognition Harvard University Cambridge MA 1983 ATT amp 86 ATTARDI G SIMI M A Description Oriented Logic for Building Knowledge Bases in Proceedings of the IEEE vol 74 n 10 pp 1335 1344 octobre 1986 BAR64 BARTLETT F C Remembering a study in experimental and social psychology Cambridge University Press 1964 BAR amp 81 BARR A FEIGENBAUM E d The Handbook of Artificial Intelligence vol 1 chapitre 3 William Kaufmann Inc CA 1981 BOB amp 77 BOBROW D G WINOGRAD T An overview of KRL a Knowledge Representation Language Cognitive Science vol 1 n 1 pp 3 45 1977 BRA83 BRACHMAN R J What IS_A is and isn t An Analysis of Taxonomic Links in Semantic Networks IEEE Computer vol 16 n 10 pp 32 36 1983 BRA85 BRACHMAN R J I Lied about the Trees Or Defaults and Definitions in Knowledge Representation The A I Magazine vol 6 n 3 pp 80 93 1985 BRA amp 85 BRACHMAN R J SCHMOLZE J G An Overview of the KL ONE Knowledge Representation System Cognitive Science vol 9 n 2 pp 171 216 1985 BRA90 BRACHMAN R J The Future of Knowledge Representation extended abstract invited talk 8th AAAT Boston M
391. r _rouge par trois types d affinement l ajout d une contrainte la r duction du domaine de valeurs possibles pour I attribut couleur et la red finition de la m thode de calcul du p rim tre les deux m thodes donnent pour les carr s la m me valeur L affinement des facettes d inf rence de valeurs doit garantir la conservation de la relation d inclusion ensembliste entre les classes Ainsi la facette valeur ne peut pas tre modifi e car elle tablit une valeur fixe pour toutes les instances de la classe et donc de ses sous classes La fonction de calcul attach e un attribut de la sur classe par une facette d attachement proc dural peut tre red finie dans la sous classe pour une instance donn e de la sous classe cette nouvelle fonction doit retourner dans le m me 71 contexte la m me valeur que celle de la sur classe La red finition des attachements proc duraux permet d utiliser des m thodes de calcul plus robustes qui doivent satisfaire moins de conditions pour se d clencher ou bien des m thodes plus efficaces pour un ensemble sp cifique d individus par exemple le calcul de la surface d un polygone peut se simplifier pour la sous classe des rectangles Il est important de noter que la diff rence des facettes de contraintes le syst me ne peut pas v rifier de fa on automatique la conservation de la relation d inclusion ensembliste pour l attachement proc dural Enfin la facette
392. r cu p rant l information d duite de ce classement Le m canisme de classification d instances correspond une strat gie de r solution de probl mes sp cialement utilis e en diagnostic face une nouvelle situation l tre humain la classe dans sa taxinomie de classes de situations connues puis 1l r cup re des informations g n rales propres aux instances de cette classe et enfin 1l les sp cialise pour les faire correspondre au cas courant Les mod les de sch mas sont sp cialement utiles pour la classification car la description des classes fournit un moyen d claratif de sp cifier les crit res d appartenance une classe et la structure taxinomique des classes facilite la classification graduelle FIK amp 85 La classification d instances est le m canisme de raisonnement de base de notre travail et sera trait plus en d tail a partir du chapitre 4 M canismes locaux R flexe de calcul La possibilit d attacher des m thodes de calcul aux attributs est l une des caract ristiques les plus originales des sch mas Cette caract ristique aussi appel attachement proc dural pour un calcul consiste attacher un attribut d une classe sous la forme d une facette une m thode de calcul en g n ral cette m thode fait appel une proc dure du langage d impl mentation Lors d une consultation une instance de la classe si la valeur de cet attribut n est pas connue le syst me d clenc
393. r d cesseurs directs Cette structure est une des plus utili s es le graphe r sultant est un graphe orient sans cycles induit par la relation de pr s ance c est dire la plus petite relation d ordre dont la cl ture soit identique la relation de subsomption et ayant comme racine unique le concept primitif THING Le concept THING subsume des concepts primitifs qui subsument d autres concepts primitifs ou d finis e Tous les concepts ayant un nom d finitions sont stock s dans la base ainsi que leurs liens vers leurs pr d cesseurs directs Cette structure est utilis e par le syst me Classic PAT amp 91 Dans Classic une requ te sur la base est d crite par une descrip tion de concept qui apr s classement permet d identifier les concepts dont les indivi dus satisfont la requ te Stocker toutes les requ tes agrandirait norm ment la base alors le syst me ne stocke que les d finitions requ te avec un nom Il est important de noter que pour l algorithme de classification cette structure est identique la pr c dente savoir un graphe acyclique orient induit par la relation de pr s ance ou subsomption directe f Les relations de subsomption ne sont pas donn es explicitement la base de connaissances est une liste de concepts dont les relations de subsomption doivent tre calcul es par le syst me chaque fois qu il en a besoin c d e f Fig 4 6 Structures du graphe d un
394. r hension du syst me et la g n ration d explications Swartout dans PAT amp 90 Puis les logiques terminologiques permettent de d crire un individu de deux fa ons par une assertion d crivant l individu ou par un concept individuel Dans le premier cas la validit de l assertion est d pendante du contexte et n est pas trait comme un d finition d un l ment persistant de la base Dans le deuxi me cas le concept individuel n est pas distingu des concepts d crivant des classes d individus Tous les concepts de la base de connaissances sont au m me niveau et les m canismes d inf rences comme la classification ne peuvent pas tirer parti de la diff rence conceptuelle existant entre un individu et un ensemble d individus Dans les repr sentations par classes et instances la nette diff rence entre une classe et une instance permet de faire des m canismes sp cialis s de raisonnement sur des instances comme la classification d instances et le filtrage et des m canismes moins fr quents de manipulation de classes comme l insertion d une nouvelle classe dans la base ou la conjonction de deux classes Enfin les classes sont d finies en g n ral en fonction de leurs sur classes alors que la d finition d un concept est donn e par l ensemble exhaustive de ses attributs Un certain degr d incompl tude est pourtant tol r dans le cas o plusieurs valeurs sont disponibles 92 Conclu
395. r l s par le syst me lors de la cr ation d une base 7 1 6 Consistance d un syst me de classification Soit s lt B P gt un SC j j X gt et lt X a ap 7 y i s est redondant s il existe deux passerelles lt x x gt e P Fig 7 5 ou s il ha ne d ll Ly 12 ik di i _ ii existe une cha ne de passerelles lt x gt na Kage Karen Xp Xy gt EP a 5X By aL Y B 5 at a Fig 7 5 Sch ma d un SC redondant Lors de la classification l une des deux passerelles ne servira pas la descente de l instance e s est inconsistant s il existe un xe x pour lequel il y a deux tats accessibles e et e diff rant dans un seul composant disons le k i me 1 m 1 m A e Xapo Xa Xan eS lt Xap oX pee Xan et a n est pas un pr fixe de By ni l invers Un SC consistant est un SC qui n est pas inconsistant Supposons par exemple qu une instance I du concept matrice de la base soit class e dans la classe Matrice_diagonale du point de vue Structure elle arrive alors l tat el lt Matrice_diagonale gt Supposons aussi que du point de vue Forme elle soit class e dans la classe Non_Sym trique elle arrive l tat e2 lt Non_Sym trique gt Alors partir de el en utilisant la passerelle lt Matrice_diagonale Sym trique gt la classification peut atteindre l tat e3 lt Matrice_diagonale Sym trique gt Or cet tat est incons
396. r cette classe est tout le domaine 0 1 2 3 4 5 il n y a plus d l ment exclus car 13 n est plus dans le domaine valide Fig 5 22 classe Appartement Appart_ bas Localisation sorte_de Appart bonne _ chance tage domaine 0 5 Fig 5 22 La classe Appart_bas sous classe de Appart_bonne_chance r duit le domaine des valeurs de attribut tage 0 5 sauf 13 c est dire 0 1 2 3 4 5 La normalisation des descripteurs de valeurs valides consiste cr er l ensemble minimal de valeurs permises en enlevant de cet ensemble les valeurs nonc es dans le descripteur sauf Ainsi par exemple la description domaine 0 30 sauf 12 est normalis e par les intervalles 0 11 13 30 Affinement de la cardinalit Affiner la cardinalit d un attribut multi valu consiste r duire l intervalle de nombres d l ments permis Ainsi si dans la classe C l attribut a est d fini avec une car dinalit card cmin cmax dans une sous classe C la nouvelle cardinalit card c min c max doit tre incluse dans card c est dire c gt min gt cmin et c max lt cmax Affinement du d faut La valeur par d faut d un attribut a de la classe C peut tre modifi e ou ajout e dans une sous classe C de C aucune relation n existant entre les deux valeurs La valeur dans la sous classe doit videmment tre une valeur valide pour l attribut dans cette s
397. r fait partie de la voiture relation composant objet entier alors le carburateur fait partie de la voiture relation composant objet entier Mais on ne peut pas dire Le bras de Paul fait partie de Paul relation composant objet entier Paul fait partie du d partement de philosophie relation membre collection alors le bras de Paul fait partie du d partement de philosophie En g n ral la propri t de transitivit est garantie lorsque l on travaille avec un seul et m me type de relation dans les autres cas elle peut poser des probl mes La plupart des syst mes de repr sentation objets manipulant des objets composites ne font pas la distinction explicite entre ces diff rents types de relation de composition Ces syst mes peuvent se classer en trois groupes Le premier groupe utilise la d finition structurelle d objet composite un tout et des composants qui sont des objets part enti re BOB amp 83 MAS amp 89 Au deuxi me groupe appartiennent les syst mes qui offrent des m canismes g n raux de repr sentation o le concepteur de la base donne une s mantique la relation DUG91 FOX amp 89 FOR amp 86 ESC amp 90 Enfin le dernier groupe tout en restant proche de l approche composant objet entier favorise les relations et connexions entre les composants et avec le tout ils centrent leur travaux sur le maintien de la coh rence par propagation de contraintes entre objets BO
398. r une Connaissance qui n est pas s re et qui de ce fait peut tre remise en question tout moment d un raisonnement Les d ductions faites partir d une connaissance hypoth tique ont une valeur de v rit relative elles sont vraies si les hypoth ses utilis es pour les d duire s av rent vraies La connaissance manipul e par la proc dure de classification tant les valeurs des attributs de l instance classer et ses classes d appartenance c est sur ces deux aspects que le syst me va permettre l mission d hypoth ses 8 2 1 Hypoth ses sur les valeurs d attributs Lorsque l algorithme de classification ne peut plus faire descendre l instance dans aucun des points de vue du concept le syst me offre l utilisateur la possibilit de continuer la descente avec des valeurs possibles pour les attributs manquants Le syst me propose comme valeurs possibles d un attribut les valeurs par d faut pour cet attribut dans les diff rentes sous classes de la classe courante de l instance du point de vue courant L utilisateur peut prendre une de ces valeurs ou bien proposer une autre valeur valide satisfaisant l intersection des types de l attribut pour les classes d appartenance de l instance L instance ainsi obtenue a un statut hypoth tique Elle comporte une partie s re la liste d attributs et de valeurs s res et une partie hypoth tique la liste d attributs et de valeurs hy
399. re Raisonner par classification consiste trouver la cat gorie la plus sp cialis e laquelle appartient un individu puis r cup rer des connaissances li es cette localisation Les taxinomies d velopp es dans des domaines aussi vari s que la botanique et la min ralogie montrent l int r t de cette approche Notre travail concerne le raisonnement classificatoire et la repr sentation taxinomique de la connaissance supportant ce raisonnement Nous avons choisi la technique de repr sentation de connaissances objets car elle offre des l ments appropri s une organisation taxinomique De plus le raisonnement classificatoire trouve ici un espace naturel Cependant ces mod les comportent deux aspects probl matiques D une part ils repr sentent dans une seule et grande taxinomie diff rentes familles d objets telles que voitures et personnes D autre part bien que les caract ristiques d un objet correspondent diff rents aspects ou points de vue ces points de vue ne sont pas explicites dans la repr sentation Nous proposons une repr sentation objets multi points de vue TROPES Dans ce mod le chaque concept ou famille d objets a une structure taxinomique ind pendante Un concept peut tre observ selon diff rents points de vue un point de vue d termine un ensemble de caract ristiques du concept et une taxinomie de cat gories Les points de vue peuvent tre li s par des passerelles
400. re vue du point de vue m canique est compos e de moteur transmission suspension direction et freinage tandis que d un point de vue physique elle a une carrosserie et 4 roues la carrosserie tant compos e des si ges portes instruments de bord et essuie glaces Fig 3 13 eee moteur transmissi instruments de bord oo Ee essuie glaces Automobile suspensio carrosseri deres portes direction Automobile freinage Physique imbriqu e M canique Fig 3 13 D composition multiple imbriqu e d une voiture Dans la plupart de syst mes physiques on peut identifier au moins deux points de vue pour la d composition des objets le point de vue structurel et le point de vue fonctionnel Fig 3 13 Les diverses d compositions d un objet dans les diff rents points de vue peuvent tre plus ou moins ind pendantes selon la relation existant entre leurs composants On peut identifier quatre cas Chaque composant n est pr sent que dans une seule des d compositions dans un seul des points de vue Fig 3 13 Un m me composant est pr sent dans deux d compositions c est le cas du c ur dans l exemple du corps humain qui est un composant structurel et fonctionnel du corps Fig 3 14 Il est int ressant de noter que pour ce m me composant le c ur on peut regarder des propri t s et composants diff rents dans chaque point de vue Ces deux points de vue pourraient correspondre
401. re ouverte qui est le premier de la liste fournie au d but par l utilisateur est choisi Il faut noter que ce crit re de choix est compl tement arbitraire Si tous les points de vue principaux et auxiliaires sont inactifs la classification est termin e Une alternative au choix du prochain point de vue pr sent pr c demment est d avoir une mesure d utilit des points de vue auxiliaires vis vis de la classification et choisir le meilleur selon cette mesure Cette mesure d pend de la connaissance que l utilisateur a des diff rents points de vue Par exemple dans la situation suivante Fig 6 16 lorsque la descente de I est bloqu e dans le point de vue principal le syst me peut utiliser deux crit res distincts amenant des s lections diff rentes du point de vue prendre 202 PVal PVp PVa2 Fig 6 16 Lorsque la descente de I s arr te dans le points de vue principal PVp au niveau de la classe C source de deux passerelles C gt A et C gt B le syst me peut soit continuer par PVal soit par PVa2 Crit re 1 Avoir la passerelle vers un point de vue principal qui arrive le plus bas possible une classe tr s eloign e de la racine Pour un utilisateur ayant quelques connaissances du point de vue auxiliaire PVa2 il est plus utile de continuer la descente vers ce point de vue car si le syst me parvient a classer l instance dans la classe G elle aura descendu 7 niveaux dans le point de v
402. rester un l ment de sa sur classe L affinement de la sur classe par la sous classe peut se faire par l ajout des attributs qui n apparaissent pas dans la sur classe et ou par la modification des attributs de la sur classe STE amp 85 Nous nous pla ons dans le cadre des syst me qui interdissent le masquage c est dire nous nous int ressons aux syst mes pour lesquels la modification des attributs de la sur classe garde le sens d inclusion ensembliste donn a la relation de sp cialisation Dans ce contexte deux types de modification sont possibles l affinement des facettes de contraintes et l affinement des facettes d inf rence de valeurs L affinement des facettes de contraintes peut se faire par modification du type de base de l attribut un de ses sous types par r duction de l ensemble de valeurs possibles donn par la facette domaine ou par l ajout de contraintes Fig 2 6 Rectangle_ color sorte _de figure _ plane Cots aT Sun entier cot _2 Sun entier cot _3 Sun entier cot _4 Sun entier contrainte cot _1 cot _2 contrainte cot _3 cot _4 p rim tre Sun entier Ssi_besoin calcul 2 cot _1 2 cot _3 couleur Sun cha ne dom bleu rouge jaune blanc vert noire Carr _rouge sorte_de Rectangle_color contrainte cot _1 cot _3 p rim tre Ssi besoin calcul 4 cot _1 couleur Sdom rouge Fig 2 6 La classe rectangle_color est sp cialis e dans la classe car
403. rs une valeur pour chaque attribut du concept A partir de la partie appartenance de l instance le syst me peut d duire tout moment son type 5 7 3 L instance I classer est distingu e par une cl qui permet de la reconna tre de fa on unique dans tous les points de vue du concept Au fur et mesure que l algorithme de classification fait descendre I dans les diff rents points de vue la connaissance sur I s enrichit Cet enrichissement peut entra ner soit des modifications dans sa partie appartenance lorsque l instance est descendue dans l un des points de vue soit des changement dans sa partie valeur lorsqu un attribut inconnu re oit une valeur La classification sur plusieurs points de vue entra ne une vision parall le de la descente de l instance dans les diff rents points de vue En particulier lors de l utilisation d une passerelle plusieurs points de vue peuvent tre modifi s simultan ment Or l utilisateur ne voit qu un seul point de vue la fois le point de vue courant Donc pour ne pas le surcharger d informations sur les autres points de vue le syst me stocke dans une structure additionnelle le I moule toutes les modifications ne concernant pas le point de vue courant Ces modifications sont int gr es l instance et montr es l utilisateur d s que leurs points de vue deviennent le point de vue courant Le I moule comporte la liste des classes les plus sp
404. rsel Le graphe T est une g n ralisation de tous les graphes conceptuels e Individus Si u est identique v except que quelques concepts g n riques de v ont t remplac s par des concepts individuels conformes aux types dans u alors u lt v le graphe C est plus g n ral que le graphe C dans la figure 1 15 l la relation v g n ralise u est exprim e par u lt v 49 e Sous graphe Si v est un sous graphe de u alors u lt v le graphe C sous graphe de D est plus g n ral que celui ci Fig 1 15 La correspondance entre la g n ralisation de graphes et l implication logique des pr dicats si u lt v alors qu gt ov garantit que toute affirmation valide pour un graphe de la hi rarchie de g n ralisation est aussi valide pour ses g n ralisations Outre les types simples il est possible de d finir des types complexes correspondant a tout un graphe conceptuel Une telle d finition consiste donner une tiquette un graphe en faisant ainsi une abstraction du graphe tout moment des m canismes de contraction et expansion permettent le passage du graphe l tiquette et vice versa D autres l ments du mod le comme les contextes imbriqu s pour repr senter les n gations et les quantificateurs universels des concepts permettent d tendre l expressivit du langage C c D Fig 1 15 Par restriction du concept FILLE dans le graphe C l individ
405. rses classes selon diff rents crit res de fa on a grouper dans une m me classe des objets semblables Fig 4 3 Ce processus aussi nomm cat gorisation NAP91 est utilis pour la cat gorisation conceptuelle l apprentissage et l acquisition automatique de connaissances AGU89 MIC amp 86 GEN amp 89 Fig 4 3 Cat gorisation construction du graphe partir des instances Dans les deux autres acceptions du terme la classification consiste trouver la localisation d une nouvelle connaissance dans une base de connaissances d ja existante qui est organis e en une structure de classes Selon le type de connaissance que l on veut ajouter a la base de connaissances on distingue deux niveaux de classification la 121 classification d instances ou classification du premier ordre et la classification de classes ou classification du deuxi me ordre WEG87 Classer une instance consiste trouver les classes pour lesquelles elle satisfait les contraintes Fig 4 4 Etant donn un individu particulier de lunivers du discours et une structure de classes la classification consiste ici trouver les classes les plus sp cialis es pour lesquelles l instance satisfait les contraintes les contraintes dans une repr sentation par objets sont d crites par des facettes de contraintes sauf domaine intervalle cardinalit etc 2 2 3 Cette proc dure entra ne des comparaisons entre une classe en tant qu
406. rspective principale partir de laquelle on voit un objet ainsi dans l exemple pr c dent Assistant peut tre d crit comme un exemple de Employ ou bien on peut voir Employ comme tant une caract risation d Assistant 3 2 3 LOOPS Contrairement a KRL OWL II et PIE ot tous les attributs sont stock s dans le m me objet d crivant l individu LOOPS STE amp 85 divise l instance m me dans des objets diff rents ses diff rentes perspectives Dans LOOPS un objet et ses perspectives sont une sorte d objet composite les composants tant les diff rentes perspectives Chaque perspective est un objet ind pendant auquel on peut s adresser directement pour lui envoyer des messages de modification d limination etc Cette ind pendance permet de d finir des attributs de m me nom ayant des sens diff rents dans plusieurs perspectives Les perspectives sont toutes li es l objet le lien entre perspectives est un lien conceptuel d au fait qu elles nomment toutes le m me objet En reprenant l exemple pr c dent l individu Paul est li ses deux perspectives Paul comme un assistant de classe A et Paul comme un enseignant de Peinture de la facult d Arts A la diff rence des objets composites les perspectives sont cr es dynamiquement la demande Ainsi on pourrait ajouter par la suite une perspective Sexe divisant les employ s en deux classes et voir Paul comme homme 105
407. rte des connaissances sur diff rentes fa milles d objets Dans l approche classique les repr sentations par objets structurent toutes les cat gories de la base dans un graphe ayant comme racine la cat gorie univer selle THING ou OBJET Certains syst mes font une premi re partition de la base dans des familles disjointes de cat gories telles que appartement locataire etc 5 1 1 BOB amp 77 BOR amp 89 La classification dans ce groupe de syst mes part du fait que l on sait d s le d part quelle famille appartient l objet classer et que l on r duit ainsi l espace de recherche au graphe de cat gories de cette famille Enfin l int rieur d une famille de cat gories les attributs peuvent tre structur s en groupes selon les lDans les logiques terminologiques ces familles correspondent aux cat gories primitives 127 aspects qu ils d crivent les points de vue 3 La comparaison entre cat gories est tablie modulo un de ces groupes d attributs ce qui peut r duire en pratique norm ment la complexit du processus d appariement et le nombre de relations d ordre consid rer 6 4 3 3 Parcours du graphe Il existe deux grands groupes d algorithmes de classification illustr s par les logiques terminologiques 4 4 1 et les systemes de types 4 4 2 respectivement Le premier groupe voit l objet classer comme un tout et le manipule comme une
408. ructure minimale de d part et une identification l int rieur de son concept e l espace de travail des diff rents m canismes de raisonnement en particulier de la classification L espace de recherche se r duit au concept Une des notions les plus originales de TROPES est celle de point de vue Un point de vue d un concept d termine aussi bien les attributs du concept qui vont tre visibles de ce point de vue qu une organisation particuli re du graphe de classes Ainsi un concept peut tre manipul partir d un seul point de vue sans se pr occuper des autres ce qui r duit le nombre d attributs et de classes regarder et simplifie le graphe de 265 sp cialisation de classes Enfin la communication entre les diff rents points de vue tablie par des passerelles rend possible le partage d informations entre les classes de diff rents points de vue Ce mod le de repr sentation de connaissances a permis le d veloppement d un algorithme de classification multi points de vue qui fournit la classe la plus sp cialis e pour une instance d un concept dans chaque point de vue de ce concept La classification dans TROPES tire parti des passerelles pour faire descendre l instance plus rapidement dans un point de vue l aide des inf rences faites dans d autres points de vue De plus la structure multi points de vue des concepts permet de faire une classification partielle d une instance en ne consi
409. s O dom_multi_ord O 1 c o l nombre de multi valeurs du domaine c taille maximale permise pour une multi valeur de l attribut descripteur card Si l attribut prend ses valeurs dans un concept non_ordonn pour comparer v avec une autre multi valeur le syst me doit chercher chaque l ment de v dans la liste d crivant l autre multi valeur ce qui dans le pire des cas peut co ter c c Cette comparaison se fait dans le pire des cas 1 fois Ainsi comparer la valeur v avec une multi valeur du domaine revient a parcourir en ordre les deux donc faire c comparaisons o c est la taille maximale des deux listes c est dire la taille maximale permise Ce processus doit se r p ter pour toutes les listes O dom_multi_non_ord O 1 c c o l nombre de multi_valeurs du domaine c taille maximale permise pour une multi valeur de l attribut descripteur card e Le troisi me cas qui serait le plus co teux n est pas pris en compte car il ne permet pas a un prix raisonnable de faire une normalisation unique du domaine Par exemple les descriptions suivantes Fig 7 14 de la multi valeur m donnent le m me ensemble mais leur normalisation demanderait la g n ration de l ensemble explicite de valeurs m dom 4 6 sauf 5 6 4 m dom 4 5 4 5 6 6 Fig 7 14 Deux sch mas de description d un attribut qui correspondent au m me type les multi valeurs 4 5 6
410. s e Parcours du graphe L algorithme de classification fait un parcours du graphe de concepts en regardant pour chaque concept la relation d appartenance de l instance au concept Le parcours du graphe correspond au parcours fait par la classification d un concept pour trouver les subsumants les plus sp cialis s SPS Appariement entre une instance et un concept L appariement entre une instance et un concept est un cas particulier de la subsomption il s agit ici de d terminer si une instance I satisfait la description d un concept particulier D o D est repr sent par un ensemble de caract ristiques Fd I satisfait la description D ssi elle satisfait chacune des caract ristiques de Fd soit F une de ces caract ristiques I satisfait F si une des trois conditions suivante est vraie e F est marqu e e Les valeurs correspondant F pour I satisfont les contraintes de F par exemple si F at least 2 R l algorithme r cup re les instances qui valident ce r le pour 1 les x pour lesquelles R x est vrai et il les compte pour voir s il y en a au moins deux e I satisfait une autre caract ristique ou un concept qui implique F par exemple par l application d une r gle S1 F est satisfaite par une des deux derni res conditions alors l algorithme lsauf pour la caract ristique filled by qui donne un ensemble explicite d instances 143 e marque F et tous ses pr d cesseurs dans sa t
411. s e par un algorithme de classification appel le classifieur SCH amp 83 Le classifieur prend une nouvelle description de concept et la place l endroit correct dans la hi rarchie 4 4 1 Pour trouver la place appropri e pour le nouveau concept l algorithme de classification d termine les relations de subsomption entre ce concept et les autres concepts de la hi rarchie ces relations peuvent tre sp cifi es directement trouv es par transitivit ou bien calcul es partir de la s mantique des conditions des r les en prenant la subsomption intensionnelle La recherche de la place correcte pour le concept comporte trois tapes le recherche des subsumants les plus sp cifiques SPS concepts qui subsument le concept classer et dont les sous concepts ne le subsument pas la recherche des subsum s les plus g n raux SPG concepts subsum s par le concept classer et dont les sur concepts ne sont pas subsum s par lui et puis l insertion du concept dans la hi rarchie Fig 1 13 1 La premi re tape se fait en profondeur partir de la racine tant qu un concept subsume le concept classer ses sous concepts sont consid r s Le r sultat de cette tape est une coupe de la taxinomie au dessus de laquelle tous les concepts subsument le concept classer 2 La deuxi me tape consid re les sous graphes des SPS et d termine parmi les concepts ayant au moins les m mes propri t s du concept
412. s est r duit le plus possible il d pend de la hauteur des arbres de classes des points de vue du nombre de passerelles et du nombre de points de vue du concept Le prototype d velopp en CAML a permis de tester aussi bien le mod le que la classification multi points de vue En plus des trois extensions d j propos es dans cette th se relocalisation d instance classification hypoth tique et classification d objets composites le d veloppement de ce travail a soulign aussi certaines voies de recherches tout fait int ressantes Le mod le TROPES travaille sur l hypoth se de l exclusivit entre les classes s urs du graphe de classes associ un point de vue Cette hypoth se implique que les classes sont organis es en une structure d arbre dans un point de vue et qu il n y a qu une classe s re unique par niveau lors de la classification Cette hypoth se a t tablie de fa on empirique par une analyse des exemples pr sent s dans les articles traitant l h ritage multiple En effet la restructuration de ces exemples avec des points de vue liminait compl tement la sp cialisation multiple M me si en th orie on peut toujours ajouter un point de vue pour viter une sp cialisation multiple cette solution peut ne pas tre tr s naturelle Nous proposons donc de supprimer l hypoth se de l exclusivit sauf dans le cas o elle peut tre garantie statiquement par intersection des domaines
413. s tuples attribut valeur qui ont permis de descendre l instance d un niveau dans un point de vue dans cette it ration Une hypoth se particuli re hj appartient un contexte pr cis Cx D faire une hypoth se hj consiste r cup rer le contexte pr c dant l mission de hj Cx 1 et partir de celui ci recommencer la g n ration du contexte Cx avec les hypoth ses de l ancien Cx pr c dant hj La r cup ration d un contexte se fait en effa ant de la liste de contexte ceux qui le suivent Supposons par exemple qu un d partement de police poss de une base de connaissances de Personnes permettant aux t moins d un meurtre de reconna tre l assassin Les personnes de la base sont d crites selon diff rents points de vue dont odeur PV1 et aspect PV2 Fig 8 6 Le point de vue odeur vise classer l assassin en fonction de son parfum et le point de vue aspect en termes de son aspect physique De plus la police a pu constater que les parfums doux sont utilis s par les femmes blondes aux yeux clairs et les parfums secs par les brunes alors que les hommes mettent de l eau de Cologne parfum dom sec doux cologne D dom fort dom blond chatain dom brun chatain peau peau d bl woe ans woe Zuo i om blanc cuivre dom mat dor noire yeux yeux dom vert bleu miel dom noire marron miel C221 peau dom dor F
414. s de repr sentation le paradigme relationnel ot les unit s de 51 repr sentation sont les relations entre les l ments du monde et le paradigme objet qui structure la connaissance du monde en terme de ses objets La logique les r gles de production et les r seaux s mantiques suivent le paradigme relationnel tandis que les repr sentations par sch mas et les repr sentations classe instance sont des syst mes structurels Enfin les logiques terminologiques et les graphes conceptuels tout en gardant le paradigme relationnel des r seaux s mantiques ont un composant objet dans leur repr sentation des concepts et des types Bien que comportant tous un composant d appariement et un composant de parcours de la structure de la base les m canismes de raisonnement associ s chaque type de repr sentation ont des supports conceptuels diff rents ainsi le cha nage avant des syst mes base de r gles supposent qu un expert raisonne en cr ant une s quence cause effet tandis que pour les sch mas de Minsky le raisonnement par analogie suppose l existence de prototypes auxquels on fait appel pour compl ter et comprendre une nouvelle connaissance Dans le chapitre suivant nous pr sentons plus en d tail les mod les de repr sentation de connaissances par objets Ce type de repr sentation qui utilise comme m canisme de base la classification suppose qu on stocke la connaissance des objets du monde dans des cat gories
415. s divers points de vue d un concept Enfin une instance d une base TROPES repr sente un individu particulier d un concept qui est rattach dans chaque point de vue du concept sa classe d appartenance la plus sp cialis e par le lien d appartenance est un TROPES permet la repr sentation et la manipulation d objets composites un objet composite est une instance d un concept ayant des attributs de nature composant Une instance composite peut tre d crite dans les diff rents points de vue de son concept par des d compositions diff rentes Le mod le TROPES a t con u avec deux principes simplicit et organisation Un mod le de connaissances doit refl ter la vari t multi disciplinarit et complexit des l ments du monde mais sous une base simple n incluant que des notions nettement 179 d finies de repr sentation Ainsi la notion de concept est consid r e dans toutes ses dimensions au niveau de la base comme le crit re le plus global de partition de la base au niveau des objets comme l espace de d finition de leur structure et identification et au niveau du raisonnement comme l espace de travail des diff rents m canismes d inf rence De m me chaque point de vue d un concept d termine aussi bien un groupe d attributs du concept pertinent ce point de vue qu un arbre ind pendant de sp cialisation de classes Les passerelles tablissent des communications entre points de
416. s inconsistants peuvent se pr senter seulement lors de la pr sence d une passerelle l int rieur de la classification dans un arbre il n y a pas d incoh rences De plus il faut noter que Si l ensemble de passerelles d un SC est vide alors SC est trivialement complet La compl tion d un SC consistant est aussi consistante la compl tion d un SC est toujours un SC complet car le fait d ajouter de nouvelles passerelles pour la compl tion n ajoute pas de nouvelles connaissances au SC 7 1 7 Convergence de la classification Par la suite nous allons utiliser les r sultats de consistance et de compl tion montr s pr c demment pour prouver la confluence du syst me de classification Cette confluence garantit que le r sultat final de la classification d une instance dans un concept est unique ind pendamment de l ordre du parcours des passerelles et le choix du prochain point de vue dans chaque tape de la classification Th or me 1 Soit s lt B P gt un SC consistant et complet alors Vxex il n existe qu une s classification 1 L id e de compl tion est donn e informellement dans 5 4 220 Preuve Soit xe x un tat e accessible est repr sent pour un m tuple d univers de classes des FCs de chaque AC du SC Un prochain tat est accessible partir de l tat e soit en descendant verticalement dans un ou plusieurs composants du tuple La desce
417. s passerelles la fin Dans chaque it ration l algorithme de propagation de marques fait UN parcours de la liste de passerelles actives Dans ce cas la classification ne tire pas parti des passerelles et elle se d roule par une descente dans le cas extr me l instance est descendue de la racine jusqu une feuille donc h niveaux dans chacun des points de vue du concept p descentes La complexit de l algorithme de classification pour ce deuxi me cas est 240 h O classification D _p n 1 a fa p a ft pa p h z p j 0 O classification O p h n a fa p a ft pa p h z p ou p nombre des points de vue du concept h hauteur maximale des points de vue du concept n nombre maximal de sous classes directes d une classe a nombre d attributs d un concept fa co t pour valider le type pour une valeur d attribut ft co t pour valider l intersection de deux types T1 T2 pa nombre de passerelles du concept Z nombre maximal de sous arbres de C_min marqu s impossible A partir de ces r sultats nous pouvons conclure Si le nombre de passerelles du concept est petit notamment s il est plus petit que le nombre de points de vue multipli par la hauteur maximale de ces points de vue pa lt p h alors l algorithme utilisant la propagation par passerelles est moins co teux que l algorithme sans passerelles Cela est en fait le cas le plus probable Il suffi
418. s petite classe s re pour ce point de vue est ferm e PV actuel PVai VPVpj C min PVpj est ferm e Pour l instance Test attach e aux classes s res ferm es VPVj C PVj I est s re ferm e I satisfait les types de ces classes VPVj I est un C PVj I Pour le I moule 192 VPVj C PVj I moule est la plus petite classe s re de PV c est dire VPVj C PVj I moule C min PV Les contraintes exprim es dans le I moule pour chaque attribut ax attx sont l union des contraintes de cet attribut pour toutes les classes s res de I ils d crivent l intersection des types de cet attribut pour les diff rentes classes s res Relations entre I et I moule o Les classes auxquelles le I moule est attach sont plus petites ou gales celles de I Le I moule descend plus vite que l instance parce que sa descente se fait d s qu une classe s re est identifi e alors que la descente de l instance se fait seulement quand cette classe s re est examin e VPVj C PVj I moule lt C PVj I Fig 6 9 Si I n est pas descendue une classe s re d j reconnue par le I moule alors cette classe est une classe s re ouverte C PVj I moule lt C PVj I C PVj I moule est s re ouverte I satisfait toutes les contraintes du I moule V att moule vx valide att c est dire VPVj I est un C PVj I moule o Fig 6 9 Lorsque I descend de A B dans le point de vue courant
419. s seuls descripteurs pertinents sont le descripteur type qui indique la classe la plus g n rale laquelle doit appartenir le composant et dans le cas des attributs multi valu s le descripteur cardinalit Sp cialiser un attribut de nature composant consiste restreindre son type les classes possibles des instances qui valuent ce composant ou sa cardinalit pour les attributs multi valu s Ainsi par exemple le composant multi valu portes de type porte INous verrons par la suite qu une sp cialisation de la d composition est pourtant possible 2En fait logiquement on pourrait traiter la d composition comme un seul attribut on ne l a pas fait pour ne pas alourdir l criture des sch mas de classes 177 de la classe carrosserie est affin dans la classe normale en contraignant son type porte_ _poign e et sa cardinalit 4 Pour les composants multi valu s TROPES permet de plus un type d affinement particulier l clatement de l attribut En fait dans plusieurs situations un composant multi valu d crit plusieurs composants simples que l on n a pas envie de s parer lorsque l on descend dans la hi rarchie on peut vouloir les d crire s par ment ou dans des sous groupes ayant des restrictions diff rentes Par exemple supposons que pour les voitures classiques on veuille sp cifier qu elles ont deux roues avant petites et deux roues arri re grandes Une premi r
420. s sssesssesisscssasspessesssvesssseencede seseseodeuss sgsssescapaasopesanbasonspasnnnsnsensasegnonsapsadacenosepnansbensspsanncbascssoin 258 8 3 2 App riementisstsnen tnt ant A natal ant ne Mt ia nent 259 8 3 3 Exemple de classification d un objet composite rennes 259 CONCIUSLON Eee nn M Eee RE CE aE AE sE ee ee St En ten 260 B1bHOSTAphIe EE cows a LR gaia aa ee ME ER EL A a nn te te M aot 261 Syntaxe du langage de TROPEG csssccssssssssssssssssssssssssscesscsssnsssssssssssccsscsscssssssssssssesee 27 L 14 Introduction 16 Introduction L organisation de la connaissance en des cat gories d individus semblables est une activit naturelle En effet d s que l enfant commence manipuler des op rations concr tes il groupe des objets r els dans des cat gories diff rentes en fonction de certaines caract ristiques Plus les caract ristiques d une cat gorie sont pr cises plus cette cat gorie est sp cifique et ses membres semblables Les cat gories sont organis es dans une structure allant des cat gories g n rales aux cat gories sp cifiques Les cat gories sp cifiques repr sentent des sous ensembles des cat gories plus g n rales Cette structure est en g n ral appel e taxinomie La grande vari t de taxinomies d velopp es dans des domaines aussi divers que la botanique la zoologie et la min ralogie t moignent de l utilit d une telle structuration des connaissances De plus la re
421. s un l ment de haut niveau refl tant directement des entit s du monde r el sur lesquels raisonnent les utilisateurs humains une abstraction des donn es Parmi les pr curseurs du paradigme objet en informatique on trouve les langages orient s objet qui voient un syst me comme une encapsulation d objets poss dant des propri t s et sachant r aliser certaines actions Le plus connu de ces langages SMALLTALK GOL amp 83 issu des id es de SIMULA DAH amp 66 introduit les notions qui favorisent la modularit et la r utilisabilit l h ritage l encapsulation et l envoi de messages Ces id es ont donn lieu toute une vari t de langages ainsi les langages acteurs comme ACT LIE81 renforcent l ind pendance entre les objets et la communication par envoi de messages les syst mes m ta circulaires comme OBJVLISP COI87 se d crivent en termes d eux m mes et des langages comme FLAVORS MOO86 et LOOPS BOB amp 83 traitent des aspects additionnels comme l h ritage multiple les perspectives et les objets composites Par ailleurs on voit apparaitre les bases de donn es orient es objet comme ORION KIM amp 89 qui a la diff rence des bases de donn es relationnelles utilisent comme structure de base les objets structur s en hi rarchies de classes et les outils a objets pour le g nie logiciel comme l environnement de programmation PIE BOB amp 80 qui g rent des contextes des versions et la documenta
422. sa classe d appartenance Ce deuxi me type de lien n est pas explicite dans les logiques terminologiques bien qu il puisse tre simul par un concept d crivant un seul l ment ou retrouv dans les assertions Dans les deux types de syst mes les m canismes de raisonnement de base la classification la v rification de coh rence le filtrage etc tirent parti de cette structuration des objets Malgr ces similitudes il y a certaines diff rences entre ces deux paradigmes Les logiques terminologiques permettent la description de concepts d finis comme des conjonctions ou des disjonctions de litt raux alors que les repr sentations par classes et instances ne permettent que les conjonctions de litt raux Par contre les logiques terminologiques ne manipulent pas des connaissances incompl tes ou incertaines tandis que les repr sentations par classes et instances permettent la cr ation et manipulation d instances incompl tes et d instances hypoth tiques De plus les logiques terminologiques offrent deux langages la logique terminologique permettant de d finir des concepts complexes l aide de concepts de la base et le langage assertionnel pour l tablissement d assertions Les repr sentations objets offrent un seul langage de description de la base de connaissances de ses concepts et de ses instances cette homog n it d expression rend plus facile la mise a jour de la connaissance ainsi que la comp
423. sascoossensuasssosesesousssunsdesbvedbssescsenvessssvssteasastessanrebeseannnaaiie 102 3 2 1 Repr sentation des perspectives par h ritage multiple emmener 103 3 22 KR E EE E EEEE ETEA AEE EEEE EEEE seas URI es 104 3 2 3 EOOPS secs pee ates Be tits ns ne eset Maser ta lsat ne tea nt et tn ER mm er ued ace pete Ve 105 3 2 4 ROME sn un moe tnt ts nr lara em banc thas chase ah LU N en nt 106 3 2 5 3 3 Les perspectives et les objets composites iii 110 CONCIUSIOR ss ne DT a eee EEEE EN a EEE 25 a UE on dun SRE 113 Bibliographies sine RER tes nent Re AA AA TE EE rave nee 114 Raisonnement par classification ccscccsssccssssccssssccssssscssssscssssscssssssssscsssssssssssssssscess L19 Introductions ment nent nn nt nn EE Re tte tte tn 4 1 La classification un m canisme de raisonnement iai 4 2 Classification dans les repr sentations objets 43 Composants de la classification inner 43 1 Les cat gories et leur relation d ordre D finition fonctionnelle Fonction bool enne d appartenance eeecsessseeesseeeeeeens Fonction trois valeurs pour la relation d appartenance 124 Relation d ordre entre Cat gories rm 124 D finition structurelles ins ith wh ii Gea RP ae ere ae inne a 125 Deux valeurs pour la relation d appartenance sense 125 Trois valeurs pour la relation d appartenance uen 125 Relation d ordre entre cat gories nininini inin 126 D finition Tous nn nt
424. sation abstraite du patient selon ses diff rents sympt mes et une classification des maladies possibles Fig 4 2 L association heuristique est faite par des r gles liant un groupe de sympt mes une famille de maladies ASSOCIATION HEURISTIQUE Abstractions du pat i en w Classes de malad ABSTRACTION AFFINEMENT Donn es du patient maladies Fig 4 2 Raisonnement du syst me expert Mycin pour trouver la solution le syst me suit trois tapes abstraction des donn es du patient association heuristique entre des classes de sympt mes et des classes de maladies et affinement dans la structure de maladies pour trouver la classe de maladies la plus sp cifique possible La classification est donc aussi bien un moyen de structurer la connaissance d un domaine qu un m canisme de raisonnement ce m canisme peut tre utilis comme m thode globale de solution d un probl me classificatoire ou bien comme une partie d un processus de classification du probl me association heuristique avec des solutions possibles et affinement de la solution 4 2 Classification dans les repr sentations objets Comme nous avons dit pr c demment en intelligence artificielle le terme classification a t utilis avec trois significations Une premi re acception du terme correspond la cr ation de classes partir d exemples c est dire au processus de division d un ensemble d individus d un univers de discours en dive
425. scssscssssssessseassssssssssssssssessssessees LO Introduction ne een rt eerie diel ceeded AG dont ne le Et AE de ne ede iiss 1 1 Intelligence artificielle 1 2 Repr sentation et rais nnem nt sviss den A ln nn nn nl At 25 1 2 1 S paration entre repr sentation et raisonnement en 25 1 2 2 La CONNAISSANCE nn 26 1 2 3 La repr sentation de la connaissance 27 Syntaxe et s mantique se 27 L agent et le monde repr senter 28 L incompl tude de la repr sentation 28 1 2 4 Perasan ee SE RR a i Len NU Dag laa ERE Re 28 13 Techniques de representation zis nn nn area rene need es D EE done 1 3 1 LO SIGUE Sis tetes unnnnte Avantages Inconv nients sisi nn R ANA TE ae E N E EAN ai 1 3 2 Syst mes base de r gles n ant aient ent E EEE Eei EEI E rro E a i Repr sentation de la connaissance M canismes d rason MEN srein a nei ae NEE TERRE RTE EN EE OA INV AIILA S RRS E EE A AAE SAE E ER A P ETE EAE ENS Inconv nients 1 3 3 R seaux s mantiques usec Repr sentation de la connaissance M canismes de raisonnement AVANTAGES ne JETONS bT EEE AT nitrates 1 3 4 SCHEMAS Sn eea eiea ant nn T NE s a ii i i anit Repr sentation de la connaissance sei M canismes d TaisONNEMENt sisssvccscsccsavesnsenevseonsusveasesouvewccovenssavekocsvecveskostcenesstohsvevenoscontanssavsnwesevbancoobusbeebecsvesveanennctnl AN VAIL SES nr nee nettement ennemies mn sienne
426. se la description de chaque instance a classer Par la suite nous allons d crire les diff rentes tapes de cet algorithme de classification d instances Repr sentation A part les concepts et les instances le syst me LOOM permet la d finition de r gles McGRE amp 91 Ces r gles servent contr ler la coh rence de la base et faire des inf rences particuli res au domaine par exemple a partir des r gles d implication gt age 21 gt peut tre lu et v t ran gt gt age 60 et de l assertion v t ran fred le systeme d duit peut tre lu fred car il sait age gt 60 gt age gt 21 Enfin pour la classification d instances LOOM utilise une hi rarchie de r les et une hi rarchie pour chacun des types de caract ristiques de r les Dans LOOM un r le peut tre d crit par une des restrictions ou caract ristiques suivantes same as one of through at least at most all or filled by Ces caract ristiques restreignent la cardinalit ou domaine de valeurs possibles d un r le Ainsi par exemple la caract ristique at least 1 142 enfants du concept p re indique que tout instance de p re doit avoir au moins un enfant chacun de ces types de caract ristiques correspond une taxonomie dans chaque taxonomie les caract ristiques sont organis es par une relation d ordre correspondante l inclusion ensembliste Ainsi par exemple dans la taxonomie des caract ristiqu
427. se pour chaque facult et chaque type de travail Fig 3 6 Si en plus les facult s sont organis es en d partement Fig 3 4 le graphe de classe s agrandit norm ment MAITRE CONF Fig 3 6 Mod liser les perspectives par l h ritage multiple revient cr er un graphe o les deux classifications de d part sont confondues toutes les classes sont au m me niveau Une telle repr sentation peut pr senter les probl mes li s l h ritage multiple tels que le conflit d attributs ayant le m me nom 2 4 2 D autre part dans la structure ob tenue les points de vue de d part sont m lang s les m canisme d inf rence de la base ne peuvent pas faire la distinction entre les classes appartenant des perspectives diff rentes De plus rien n emp che la cr ation d une classe Assistant Professeur classe qui n aura jamais d l ments car aucune personne ne peut tre assistant et professeur en m me temps Enfin dans une instance de la base les attributs correspondants aux diff rents points de vue sont tous m lang s dans un m me sch ma Pour raisonner avec une telle instance une personne est oblig de manipuler tous ses attributs et non pas seulement ceux de son domaine d int r t Par exemple dans l instance Paul Ricaud les attributs concernant des aspects administratifs en tant qu assistant tels que le sala
428. semble d attributs les attributs du concept et ils sont structur s dans diff rentes structures de classes correspondant aux diff rents points de vue du concept Si la base est l espace des noms des concepts et des points de vue le concept devient l espace de noms des l ments de plus bas niveau du mod le les attributs les classes et les instances La port e du nom d un attribut est le concept Cela signifie d une part que deux occurrences d un m me nom d attribut l int rieur d un concept font r f rence au m me attribut ainsi par exemple si l on utilise dans le concept Appartement de la base Immobili re un attribut age pour repr senter lage du b timent dans lequel se trouve l appartement toute occurrence d age dans le concept Appartement fait r f rence cet attribut D autre part deux concepts diff rents peuvent utiliser un m me nom d attribut et le syst me les traite comme deux attributs diff rents Par exemple dans le concept Locataire un attribut age peut repr senter l age de la personne qui loue un appartement qui n est pas confondu avec l age d un b timent cette r duction de la port e des noms au concept permet la modification d un concept de la base de fa on relativement ind pendante des autres concepts Le concept est aussi l espace de recherche des m canismes d inf rence en effet les m canismes de classification filtrage analogie etc ne sont vraime
429. semble est sous ensemble de lui m me cela est vrai lorsqu on n utilise pas la sp cialisation stricte Elle est aussi antisym trique car si une classe A est sous classe d une classe B et B est sous classe de A alors elles d crivent le m me ensemble d l ments la m me classe car tout l ment de A est dans B et tout l ment de B est dans A Finalement il s agit d une relation transitive si A est sous classe de B et B est sous classe de C alors A est sous classe de C par transitivit de la relation d inclusion des ensembles dans ce cas on dit que A est une sous classe directe de B et une sous classe indirecte de C Par exemple dans une base de connaissances sur les Objets utiles l homme Fig 2 7 la classe Planche a voile est sous classe des classes Utilisant_la_force_ olienne Machine Objet Aquatique et Moyen_de_Locomotion La classe Objet repr sente tous les objets de l univers de discours cette classe est sur classe directe ou indirecte de toutes les autres classes de la base Les classes Planche _ _ voile et Delta_Plane ont plusieurs sur classes 72 Objet Machine Moyen de locomotior Utilisant la force olienneAquatique A rien A N Planche voile Fig 2 7 La sp cialisation tablit une relation d ordre partiel entre les classes La classe Planche voile est sous classe de Aquatique Aquatique est sous classe de Moyen de Locomotion qui par transitivit est sur classe de Planche
430. sentations a objets 1 3 4 2 2 4 3 1 2 classe attribut descripteur instance etc avec le sens classique c est dire qu une classe repr sente un ensemble d individus du concept d crit par la liste de ses attributs communs le sch ma de la classe Les attributs sont d finis en termes de descripteurs et repr sentent les propri t s composants et relations des instances de la classe les descripteurs d un attribut permettent de restreindre son domaine Une classe en sp cialise une autre par l ajout d attributs ou de contraintes sur les attributs existants Enfin une instance est un individu particulier du concept rattach aux classes plus sp cialis es du concept pour lesquelles il valide les contraintes Dans TROPES la description et la s mantique de ces l ments sont l g rement modifi es pour prendre en compte les notions nouvelles de concept et de point de vue De plus les descriptions des attributs sont bas es sur la notion de types et d arbre de types ce qui permet la v rification de la coh rence du graphe tout moment de son volution 164 Une classe TROPES est d finie pour un point de vue d un concept elle est identifi e de fa on unique par son nom le nom de son concept et celui de son point de vue Une classe est d finie en intension par une structure 4 3 1 La structure d une classe appel e sch ma d une classe d crit la classe en termes de ses sur classes et des m
431. ses regarde si la passerelle peut produire une nouvelle marque propage cette marque puis efface la passerelle Il efface aussi les passerelles qui ne permettrons jamais de d duire des marques Si la passerelle ne sert plus d duire des marques la proc dure l efface Une passerelle ne sert plus d duire des marques si toutes ses classes sont marqu es c est le cas si la combinaison des marques correspondait l un de deux types pr c dents ou bien si la destination de la passerelle est marqu e s re ou une de ses sources est marqu e impossible Dans ces quatre cas qui sont identifi s lors du marquage la passerelle doit tre effac e Avant d effacer une passerelle la proc dure met jour l information du nombre de passerelles actives de chaque point de vue intervenant dans la passerelle et l tat du point de vue pour tout PV de la passerelle gt Npass PV Npass PV 1 si Npass PV 0 gt tat PV inactif 235 Le co t de cette op ration est p k Le marquage la propagation et la mise jour d une passerelle ont une complexit de O une_passerelle O p h z maximum k p k p p p O p h z O p O une_passerelle O p h 2 La mise jour de toutes les passerelles actives est au maximum O passerelles O pa p h z La propagation des marques par les passerelles continue tant qu il y a des passerelles actives qui permettent d inf rer de nouvelles m
432. sfr nent LA ct 5 1 Une base de connaissances TROPES 5 1 1 Les concepts d une base de CONNAISSANCES nr 152 5 1 2 Les points de vue d une base de CONNAISSANCES rene 153 5 2 Les concepts de la bases ns sr Et mi nant ht 154 5 2 1 Les attributs d un concepts tsar sde itndtonniet 154 5 22 La cl d un concept SE SN RSS 156 9 3 Les ponts d Vue d in Concepts he dat nn de totes et M Ne pete ne 156 5 3 1 Attributs visibles depuis un point de Vue inner 5 3 2 Structure d un point de vue 54 Les passerelles entre points de vue 5 4 1 Passerelle unidirectionnelle 5 4 2 Passerelle avec plusieurs sources tintin aiei i iii 5 4 3 Passerelle bidirectionnell 4888888 nat ee net menant rene 5 4 4 Passerelles et sp cialisation de classes D5 Les classes d un point de Vus te oiite iia erri nt nent nine 5 5 1 Sch ma d une Classes isinin ssssvsscesvasddavassevasdssbusneton ennui alter initenntenits 5 5 2 Description compl te d une classe 5 5 3 Type dela Classes Sistas nie she tee et EG AE pe ne RON a tete Re AR 26 Jiesattfibuts d une class s a ra A lee ns Te a SE ROSES 5 6 1 Descripteurs d un attribut dans un sch ma de classe seen 167 D sGript nis de types san ne taf nerf dune see nan ENS nt ES 167 Descripteurs de Valurs valid s sisi nn ican ahead a tent 168 D scupteur d cardimalt sente nan en ne ste AR nette E 169 La valeur par d faut sas nie E Re nn ns Et 169 5 6 2 Le type
433. sifier SIGART bulletin vol 2 n 3 Special Issues on Implemented Knowledge Representation and Reasonong Systems juin 1991 53 McGRE amp 91 MAS amp 89 MIN68 MIN75 NEB88 NEW amp 63 NEW81 NIW amp 84 PAT amp 90 PEI31 QUI68 RAP68 REC88 REI78 REI80 ROU88 SCH73 SCH amp 79 SCH amp 83 SHO76 SOW84 SOW91 STE amp 86 STI amp 89 SZO amp 77 MAC GREGOR R M BURSTEIN MH Using a Description Classifier to Enhance Knowledge Representation IEEE Expert Intelligent Systems and Applications juin 1991 MASINI G NAPOLI A COLNET D LEONARD D TOMBRE K Les Langages a objets Intereditions Paris 1989 MINSKY M L d Semantic information processing MIT Press Cambridge MA 1968 MINSKY M A Framework for Representing Knowledge in The Psychology of Comp Vision P H Winston d McGrawHill New York chapitre 6 pp 156 189 1975 NEBEL B Computational Complexity of Terminological Reasoning in BACK Artificial Intelligence vol 34 n 3 pp 371 383 1988 NEWELL A SIMON H A GPS a program that simulates human thought dans Computers and Tought Feigenbaum amp Feldman d McGraw Hill New York pp 279 93 1963 NEWELL A The Knowledge Level Artificial Intelligence vol 2 n 2 pp 1 20 1981 NIWA K SASAKI K IHARA H An Experimental Comparison of Knowledge Representation Schemes The AI Magazine vol
434. sion Dans ce chapitre nous avons d crit les attributs et l ments des repr sentations objets Ces repr sentations mod lisent le monde l aide de classes et d instances Une classe repr sente un ensemble d individus et une instance un individu particulier de l ensemble Une classe est d crite par une structure sch ma attribut facette Les attributs repr sentent les propri t s relations et composants pr sentes dans toutes les instances de la classe Une instance est d crite par une structure sch ma attribut valeur ayant pour les attributs de sa classe des valeurs qui valident leurs contraintes facettes La plupart des repr sentations par objets d finissent des conditions n cessaires et suffisantes d appartenance d une instance une classe Des syst mes ayant des attributs composants d crivent des objets composites ces syst mes doivent d finir la s mantique de la composition et g rer la diffusion de valeurs et les relations de d pendance entre les composants et le tout Dans la base de connaissances les classes sont organis es en une structure induite par la relation de sp cialisation ou inclusion ensembliste Une classe r cup re les attributs de ses sur classes par le m canisme d h ritage Plusieurs algorithmes de gestion du partage des propri t s ont t d velopp s pour r soudre le conflit engendr lorsqu une classe sp cialise plusieurs classes ayant des attributs du m me nom
435. sources sont s res 4 Propagation dans les sens inverse de la marque s re la seule source non marqu e d une passerelle dont les autres sources s il y en a sont s res et la destination est impossible 5 6 Le cas pr c dent peut tre g n ralis aux passerelles ayant plusieurs sources Soient Aj PV1 A2 PV2 Ax PVx des classes sources d une passerelle et B PV sa classe destination Par la d finition de passerelle une instance I qui appartient a TOUTES les sources de la passerelle appartient aussi sa destination x e A PV Axe A2 PV91 4Axe An PVn x e B PV La contrapos e de cette formule logique est a x e B PV xe A1 PV1 ax e AQ PV2 A A xX An PVn qui peut tre lue comme si x n appartient pas a B PV alors il ne peut pas appartenir TOUTES les Aj PVj i 1 n 199 Autrement dit si la destination de la passerelle est marqu e impossible et toutes les sources sauf une sont marqu es s re alors celle qui n est pas marqu e doit tre n cessairement une classe impossible gt Propagation de la marque impossible a la seule classe source non_marqu e d une passerelle dont la destination est marqu e impossible et toutes les autres classes sources sont marqu es s re Fig 6 14 Fig 6 15 ocalisation PV Taille PV2 Appartement Appd PVp2 PV actuel Fig 6 15 En reprenant l exemple de l appartement la classe Centre_ ville du point de vue actuel tant
436. sses sont marqu es s re possible ou impossible 6 2 El ments de la classification Comme nous l avons montr dans l exemple pr c dent le c ur de l algorithme de classification multi points de vue est une boucle qui termine quand l instance ne peut plus tre descendue soit parce qu elle est d j class e dans ses classes d appartenance les plus sp cialis es de chaque point de vue toutes les classes sont marqu es s re ou im possible soit parce que le syst me ne poss de pas l information permettant de continuer la descente dans certains points de vue dans ces point de vue il y aura alors des classes marqu es comme possibles c est le cas du point de vue remplissage de l exemple Fig 6 5 187 La boucle de classification fait descendre l instance pas pas dans les points de vue du concept Un pas consiste passer d un tat dont l information est coh rente un tat stable un nouvel tat stable meilleur plus proche du but Ce nouvel tat stable est meilleur au sens o l instance est descendue dans l un des points de vue et qu elle est plus bas par rapport l tat pr c dent La descente de l instance dans les diff rents points de vue fait voluer les marques des classes et l tat des points de vue en m me temps qu elle enrichit l information de l instance Par la suite nous allons d finir les diff rents types et tats des poin
437. ssible elle descend Jd jusqu la classe D11 La classification maximale peut tre tr s co teuse En effet un objet composite peut tre compos de plusieurs instances qui peuvent tre aussi des instances composites Si la description d un objet composite comporte en tout x instances de diff rents concepts alors la classification de cet objet d clenche x classifications Le nombre x de classifications tant au plus le nombre total X d instances de la base la complexit de la classification maximale d objets composite est O classif_ max X O classification Par la suite nous allons consid rer uniquement la classification minimale d objets composites En termes g n raux cette classification est comme la classification simple Elle est aussi d crite par une boucle qui compte cinq tapes obtention d information appariement propagation de marques mise jour de l information et choix du prochain point de vue Les proc dures de propagation de marques de mise jour d information et de choix du prochain point de vue sont les m mes que pour la classification simple L appariement et l obtention d information changent pour prendre en compte la validation du type d un attribut composant et l instanciation de composants d un objet composite 8 3 1 Obtention d information La proc dure d obtention d information vise compl ter l information associ e une instance pour laquelle le sy
438. st me arrive marquer une classe s re ou quand il n y a plus de classes non marqu es dans l ensemble ou encore quand m me s il y a encore des classes non marqu es il n y a plus de questions poser l utilisateur n a ILe mod le pr voit l utilisation de m thodes de calcul des valeurs des attributs attach es au sch ma de l attribut au niveau du concept qui devraient se d clencher avant le recours l utilisateur mais cette option n est pas encore prise en compte par la classification 197 pas su r pondre toutes les questions pos es Si aucune classe n a t marqu e comme s re les sous classes non marqu es sont marqu es comme possibles Fig 6 13 Taille PV2 Localisation PVI Instance Chez Dugand 6 rue Monge 75003 PV actuel Fig 6 13 Reprenons l exemple de l appartement Les sous classes de la classe courante sont les classes Banlieue Centre_Ville et Autre_Quartiers Si le seul attribut introduit dans ce niveau est l attribut Quartier qui a d j une valeur dans l instance l algorithme d appariement identifie la classe s re d s son premier pas Supposons encore que le quartier latin fasse partie du centre de Paris dans ce cas la proc dure d appariement marque comme s re la classe Centre_ville qui d vient la plus petite classe s re du point de vue Localisation et qui est m moris e dans le I moule 6 3 5 Propagation des marques Les nouve
439. st me vient d obtenir une nouvelle plus petite classe s re C soit par l activation d une passerelle soit par une proc dure d instanciation rattachant explicitement l instance la classe Dans ces deux cas le syst me sait que l instance appartient C mais il ne conna t pas toutes les valeurs des attributs de C Il doit donc essayer de compl ter cette information Compl ter l information des propri t s consiste demander leurs valeurs l utilisateur et v rifier qu ils satisfont le type de cet attribut pour la classe 6 3 3 Compl ter l information d un attribut composant par contre consiste 258 cr er automatiquement des instances des classes sp cifi es par le type de cet attribut dans C puis obtenir les valeurs des attributs de ces instances composantes de la m me fa on pour les propri t s en posant des questions l utilisateur pour les composants en les instanciant Comme nous l avons pr sent auparavant l existence des composants d pend de celle de l objet composite donc la cr ation d un composant suit celle de l objet composite Si dans la classe dappartenance de l objet composite l attribut composant est mono valu ou s il est multi valu de cardinalit connue alors le syst me cr e automatiquement la ou les instances qui les valident par instanciation de la les classe s indiqu e s dans C Sinon il repousse leur cr ation car il ne sait pas combien
440. stance 3 Ses l ments de base sont les classes et les instances une classe est d crite par son intension liste d attributs avec leurs facettes et une ins tance par une liste d attributs avec leurs valeurs Toute instance a une classe d instancia tion qui est la classe a laquelle elle est attach e lors de sa cr ation les valeurs des attributs de l instance satisfont les contraintes de cette classe SHIRKA permet la manipulation d instances incompl tes La relation d apparte nance d une instance une classe est alors bas e sur une logique trois valeurs s re possible et impossible 4 3 1 Les classes sont organis es dans un graphe de sp cialisation 2 2 5 ayant comme racine la classe Objet qui repr sente l ensemble universel du monde repr senter Les successeurs directs de la classe Objet tablissent une partition du monde dans des fa milles disjointes d crivant des groupes d individus aussi diff rents que Personne et Boisson Un attribut est suppos avoir la m me signification chaque fois qu il est utilis l int rieur d une m me famille La classification d instances dans SHIRKA se d roule l int rieur d une seule de ces familles Ainsi par exemple une base de connaissances sur les boissons Fig 4 9 est d crite en SHIRKA par boisson sorte de objet nom Sun chaine avec alcool sorte de boisson pourcalcool Sun entier Sintervalle 1 100
441. stance Les repr sentations de connaissances objets suivant l approche classe instance d crivent le monde du probl me l aide de deux groupes d objets les classes et les instances d une part les relations entre ces objets sp cialisation appartenance attribut composant etc d autre part Par la suite nous pr sentons plus en d tail chacune de ces notions 2 2 1 Classe Une classe repr sente un ensemble d individus du monde elle peut tre d crite de fa on extensionnelle ou intensionnelle La d finition extensionnelle d une classe consiste a donner explicitement toutes les instances qui conforment la classe C 11 12 13 1n 60 Par exemple la classe des plan tes du syst me solaire peut tre d finie par Plan te Mercure V nus Terre Mars Jupiter Saturne Uranus Neptune Pluton ou x fait r f rence l instance d crivant la plan te x Une d finition extensionnelle est possible uniquement lorsque la classe d crit un ensemble fini d objets et que l on conna t tous ces objets La d finition d une classe la plus utilis e est la d finition intensionnelle la classe est d crite par une liste de propri t s et conditions qui doivent tre satisfaites par les instances de la classe Une telle description de classe contient des informations trois niveaux l information propre la classe telle que son nom les attributs pr sents dans toutes les inst
442. stance contentant son information structurelle de base et ses classes qui repr sentent les diff rentes perspectives Cette distinction entre classe et lien d instanciation d un c t et classe et lien de repr sentation de l autre c t permet au niveau langage de distinguer les diff rents liens intervenant dans le graphe et au niveau repr sentation de repr senter des connaissances vari es et volutives A part la possibilit de lier une instance plusieurs classes de repr sentation ROME offre une autre facilit pour la manipulation des points de vue la possibilit de parcourir un sous graphe du graphe incluant certaines classes sp cifiques Supposons dans l exemple pr c dent que l on veut cr er la classe Assistant Art pour d crire certaines propri t s propres tous les assistants de cette facult Paul Ricaud est maintenant une instance de cette nouvelle classe Pour pouvoir regarder Paul en tant que membre de la facult d Art sans avoir manipuler son information en tant que assistant ROME d finit le concept de point de vue d une classe sur un objet Le point de vue d une classe C sur un objet O est l ensemble de sur classes et de sous classes de C qui sont sur classes de la classe d instanciation de O Ainsi le point de vue de la classe Art sur l objet Paul Ricaud inclut les classes Employ Arts et 107 Assistant Arts de ce dernier on ne r
443. stance d un concept qui est rattach e sa classe la plus sp cialis e dans chacun des points de vue du concept Enfin TROPES permet la manipulation d objets composites Un objet composite peut tre d compos de diverses fa ons dans les diff rents points de vue de son concept Dans ce chapitre nous d crivons les l ments de repr sentation du mod le TROPES La premi re section pr sente les deux dimensions d une base de connaissances TROPES les concepts et les points de vue La section deux pr sente plus en d tail la d finition d un concept Les sections trois et quatre sont d di es l tude des points de vue et des passerelles d un concept Dans la section cinq nous d crivons la structure et la s mantique des classes d un point de vue et dans la section six leurs attributs et descripteurs La section sept pr sente la description des instances et leurs relations avec les autres l ments de la base Enfin la section huit montre l extension du mod le aux objets composites multi points de vue 5 1 Une base de connaissances TROPES La base de connaissances est la structure du mod le contenant la connaissance d clarative du monde repr sent Une base de connaissances TROPES est compos e de plusieurs familles d objets appel es concepts La connaissance d une telle base et ses concepts peut tre consid r e selon diff rents points de vue ou perspectives 151 5 1 1 Les concepts d une base
444. stances avec leurs attributs et leurs valeurs grammar for values inst Instances z typg Term expt Instance id attval_list Instance z IDENT id Campos listatt Campos listatt Campos z Att 1 Campos Il Attl 1 Attl IDENT atnom Atvalg a Atvalg 3 Atvaln a Atvalv a Atvaln Le Atvalv 3 NUM n l NUM n l STRING s l IDENT id Atlisc v l Atlis v Atlisc Comp v Atlis C Comp v cy Comp Atvalv a Comp fs Atvalv a 272 Grammaire pour les passerelles grammar for values Pass Passerelles Unpass p l Passerelles fsts Unpass p Unpass x pass de typg Term ldepart vers Nomclas co cl pv Nomclas z IDENT co Literal IDENT cl Literal IDENT pv IDENT cl Literal IDENT pv Clenom c Clenom STRING cle IDENT cle Grammaire pour la description de classe Cette grammaire est en charge d analyser une description de classe et donc tous les types de descripteur d attributs On y retrouve toutes les formes de facette possibles un ens de domaine card sauf grammar for values gramtydom Classe is classe Sclass c Sclass ce sNomclas c cl pv Infcl sc lat Infcl sorte_de Clenom sc Attclass lat Attclass lat Attclass Unattcl atc Attclass fsts Unattcl atc Unattcl S IDENT atnom Facettes f Facettes Descripteur d Facettes f
445. sts Descripteur d Descripteur un Typexp expt ens_de Typexp expt domaine Domaine s int sauf Domaine s int card Intcard s cond Listvirg Ip calcule Mstring Ic defaut Atvalv a valeur Atvalv a Typexp 2 Termes exp 273 Termes Term Fact Nomclas Intcard Domaine Unint Binf Bsup Atvalv Atlisc Atlis Comp Clenom Term t Termes tr I Term t Fact f Term fr amp Fact f ES Typexp exp my Nomclas cle IDENT co Literal IDENT cl Literal IDENT pv IDENT cl Literal IDENT pv Clenom c Unint x Atvalv x Intcard fst Unint x Intcard fst Atvalv x Unint x Atvalv x Domaine s int Unint x Domaine s int Atvalv x Binf bi Bsup bs Wem mom me 11 inf mounn inf Atvalv vx Atvalv vx inf ME inf J Atvalv vx Atvalv vx NUM n NUM n STRING s Atlisc v Atlis v Ps Comp v J oors Comp V my CS Atvalv a Comp fst Atvalv a Hoe ee STRING cle R IDENT cle 274 Listvirg Mstring IDENT a Listvirg fst IDENT a STRING s Grammaire pour les types Cette grammaire permet d analyser les expressions logiques et et ou contraignant un attribut abstrait appartenir aux classes sp cifi es dans expression grammar for values Type Typexp Termes Term Fact Nomclas
446. syst mes ne d crivent pas n cessairement des classes s urs non disjointes 2 3 4 Taxinomie Le terme taxinomie a t utilis pour d crire la classification des animaux ou des plantes dans une organisation hi rarchique Une taxinomie est un arbre o dans chaque niveau on a une partition de l ensemble des l ments c est dire les sous classes di rectes d une classe de la taxinomie sont mutuellement exclusives et collectivement ex haustives tout l ment d une classe C trouve sa place dans une et seulement une des sous classes directes de C Ainsi par exemple si dans l arbre des animaux pr sent ci dessus on ajoute la classe Poisson et la classe Amphibie comme des sous classes de la classe Vert br on a une taxinomie car tout animal est un vert br ou un invert br et tout vert br est un mammif re un oiseau un reptile un poisson ou un amphibie Fig 2 11 ANIMAL Co DCa CoD CHE SD re Fig 2 11 Dans une structure taxinomique chaque niveau tablit une partition des individus Les instances d une telle structure se trouvent dans les classes du plus bas niveau les feuilles de l arbre 76 2 4 H ritage L organisation des classes dans des hi rarchies de sp cialisation permet de cr er des classes complexes partir de classes plus g n rales en affinant la description g n rale Une sous classe se construit partir d une
447. t sur Paul Ricaud Cette d finition sert au parcours du graphe mais cache comme dans les mod les pr c dents le fait que Assistant et Ma tre conf rences d crivent l employ du c t emploi tandis que Art et Sciences sociales traitent le c t domaine Notamment le fait qu une classe ne peut pas avoir comme sur_classes une classe du c t emploi et une autre du c t domaine doit tre d crit explicitement l aide des relations sp ciales comme la disjonction de classes 3 2 5 VIEWS Le syst me Views DAV87 est un langage de repr sentation de connaissances qui combine des id es des sch mas et des r seaux s mantiques L unit de description est la vue view qui comporte trois types d objets dans une organisation de r seau les parties les relations et les contraintes Une partie peut tre vue comme un n ud d un r seau qui peut tre une valeur simple ou bien une autre vue La partie n a pas a priori une s mantique celle ci est donn e par les relations entre les parties Les relations Les notions de classe d instanciation et classe de repr sentation de ROME ressemblent respectivement aux unit s Basic et Specialization de KRL 108 fournissent les l ments structuraux de base d une vue elles changent une collection de parties en une structure significative Les relations sont comme les attributs des sch mas elles peuvent avoir diff
448. t D ssim2 net Vi 1 n Tc est au moins aussi restrictif que Tdj c est dire Tcj impose les m mes contraintes de Tdj plus v ntuellement d autres Tcj lt t Tdi La relation de sous typage lt permet de construire la d ordre entre classes lorsque celles ci n ont pas de contraintes dynamiques Certains syst mes dont notre syst me TROPES tablissent une relation d ordre stricte entre classes qui correspond l inclusion stricte d ensembles Pour ces syst mes la relation d ordre une classe C est inf rieure une autre classe D dans l ordre si dans C il y a plus de propri t s ou si il y a les m mes propri t s mais au moins une de ces propri t est plus restreinte dans C que dans D C lt Dssim2net Vi 1 lt i lt n Tcj lt t Tdj et si m n alors 41 1 lt i lt n tel que Tcj Tdi D finition floue Des syst mes acceptant que des instances d une cat gorie aient diff rents niveaux d appartenance la cat gorie tablissent des relations d appartenance valu es soit par degr s qualitatifs ou quantitatifs d appartenance en utilisant des calculs probabilistes GRA88 soit par la d finition de cat gories floues et l utilisation de logiques floues ROS90 CAY82 Dans ce dernier type de syst mes une cat gorie est compos e d une partie d finitionnelle tablissant des conditions n cessaires et une partie typique qui d termine pour chaque attribut le domaine de valeurs les plus fr q
449. t gories de la base L algorithme de classification d une cat gorie C d compose la structure de la cat gorie C en ses attributs et classe chacun de ces attributs dans le graphe de types correspondant puis regroupe cette information pour obtenir les pr d cesseurs et les successeurs de C Le parcours du graphe de cat gories ou dans le deuxi me cas graphes de types pour trouver les pr d cesseurs directs de la cat gorie classer C se fait pour la plupart de syst mes par niveaux en partant des pr d cesseurs connus de la cat gorie C et en descendant vers leurs successeurs qui n ont pas encore t examin s La recherche des successeurs directs se poursuit partir des pr d cesseurs directs obtenus L appariement entre cat gories se fait par comparaison des contraintes des attributs Pour les syst mes bas s sur les types cette comparaison apr s normalisation des facettes des attributs est une v rification simple d inclusion ensembliste Pour les logiques terminologiques qui ont en g n ral des facettes ou caract ristiques tr s labor es elle peut tre tr s co teuse cause de la richesse expressive de la plupart de ces langages La classification d instances de m me que la classification de cat gories comporte un parcours du graphe de cat gories avec des comparaisons appariements successives entre l instance et les cat gories du graphe Le parcours du graphe est fait avec un algorithme s
450. t Mitchell eds Machine Learning an Artificial Intelligence Approach vol 2 Morgan Kaufmann Publishers Los Altos CA pp 471 198 1986 MISSIKOFF M SCHOLL M An Algorithm for Insertion into a Lattice Application to Type Classification Foundations of Data Organization and Algorithms LNCS 367 W Lirwin M J Schek eds pp 64 82 1989 NAPOLI A Repr sentations a objets et raisonnement par classification en intelligence artificielle Th se d tat Universit de Nancy 1 1992 NEBEL B SMOLKA G Representation and Reasoning with Attributive Descriptions IWBS Report 81 Stuttgart Allemagne 1989 NEBEL B Reasoning and Revision in Hybrid Representation Systems Lecture Notes in Artificial Intelligence LNCS vol 422 Springer Verlag Berlin 1990 NEBEL B SCHMOLKA G Attribut Description Formalism and the rest of the world in Text O Herzog C R Rollinger eds Understanding in LILOG LNCS 546 pp 439 452 Springr Verlqg Berlin 1991 PATEL SCHNEIDER P McGUINESS D BRACHMAN R RESNICK L BORGIDA A The CLASSIC Knowledge Representation System Guiding Principles and Implementation Rational SIGART Bulletin vol 2 n 3 pp 108 113 1991 PIVOT B PROKOP M D finition et r alisation d une fonctionalit de classification dans SHIRKA Ann e Sp ciale Intelligence Artificielle INPG 1987 RECHENMANN F SHIRKA syst me de gestion de bases de connaissances centr es objet Manuel d utilis
451. t de constater que si pa gt p h alors chaque descente d un niveau de l instance entra ne le d clenchement d une passerelle d aux marques du point de vue sur lequel s est effectu e la descente ce qui implique qu il existe dans chaque point de vue une chaine de classes li es par la relation de sp cialisation allant de la racine a une feuille pour laquelle toute classe a une passerelle cette structure de points de vue n est pas tr s probable Par ailleurs nous pouvons conclure que la complexit de l algorithme est d termin e principalement par deux termes n a fa p a ft et pa p h z Le facteur principal du terme n a fa p a ft est fa et ft Donc le co t principal de cette partie de l algorithme est proportionnel au co t de la fonction de validation du type d une valeur valider dont le principe est utilis e aussi bien pour fa que pour ft Enfin pour les instances simples la complexit de la fonction valider d pend du nombre d l ments du domaine de l attribut pour la classe t dans le cas des concepts non ordonn s et du nombre d intervalles du domaine normalis in dans le cas des concepts ordonn s Dans TROPES la proc dure de normalisation du domaine du type d un attribut d une classe 7 2 1 vise a r duire au maximum les valeurs in et t Pour les instances compos es la complexit de la fonction valider est affect e d un facteur a o a est le nom
452. t de r duire le nombre de comparaisons entre l instance et les classes Les marques des classes Avec alcool Boisson Objet Naturel et Artificiel ont t d duites gr ce ces propri t s Appariement La comparaison entre une instance et une classe peut donner trois r sultats diff rents s re si l instance appartient la classe impossible si elle est en contradiction avec la classe et possible si a priori elle n est pas en contradiction avec la classe mais qu il manque des informations pour tre s r de son appartenance Une classe C est une classe s re de I I appartient C si pour chaque attribut de C d fini dans la classe m me ou h rit la valeur de cet attribut dans I satisfait les contraintes de C d intervalle domaine etc Donc cette appartenance peut tre d termin e seulement si I est compl te et satisfait les contraintes de C ou si partir des contraintes de la classe d appartenance initiale de I on peut garantir la satisfaction des contraintes de C Dans l exemple Fig 4 9 l instance Adelscott membre de la classe avec_alcool est une Bi re parce qu elle satisfait toutes les contraintes h rit es par Bi re et en plus son nom satisfait la contrainte de domaine ajout e dans Bi re La classe Bi re est donc une classe s re pour l instance Fig 4 11 Adelscott Fig 4 11 L instance Adelcott satisfait la contrainte de l attribuf nom de la classe Bi re Lorsque l
453. t de vue Financier par une sous classe de la classe Riche Fig 5 18 qui affine le descripteur voiture pour n inclure que des voitures de luxe deux portes sous classe des voitures de luxe Fig 5 21 classe Locataire Jeune_Rich Financier sorte de Riche voiture ens_de de_luxe_sportive Physique Fig 5 21 La classe Jeune_riche affine l attribut voiture de la classe Riche en r duisant l ensemble de voitures accept es pour les instances Jeune_Riche celles appartenant la classe de_luxe_ sportive sous classe de la classe de_luxe Affinement des valeurs valides L affinement des valeurs valides d un attribut a d une classe C dans une sous classe C d crit en termes des descripteurs domaine et sauf revient d finir un nouveau domaine de valeurs permises sous domaine du domaine pr c dent Cet affinement peut se faire en r duisant l ensemble d crit par le descripteur domaine et ou en augmentant les exceptions donn es par le descripteur sauf 170 Lorsque l on r duit le domaine d l ments valides avec une nouvelle d finition du descripteur domaine le nouvel ensemble d l ments exclus est r duit implicitement ceux encore dans le domaine Par exemple si on d finit une classe Appart_bas sous classe de la classe Appart_bonne_chance Fig 5 19 en affinant l attribut tage pour inclure seulement les appartements des 5 premiers tages alors le type de l attribut tage pou
454. t elle prendre la d finition donn e dans C2 ou garder les deux 78 b Pour la premi re question les algorithmes d h ritage multiple existants respectent tous la r gle du plus affin nonc e pr c demment et ils garantissent que la classe C3 h rite de l attribut a affin dans la classe Cl et non pas la d finition plus g n rale donn e dans O La deuxi me question a t trait e de diff rentes fa ons guid es souvent par des aspects algorithmiques plut t que par une analyse conceptuelle de la signification de ce type de conflits Le parcours du graphe d h ritage pour r soudre ce probl me a t le sujet de plusieurs tudes DUC amp 89 FER88 CHO amp 88 Par la suite nous allons pr senter certaines de ces propositions l approche lin aire l approche graphique CAR89 et l approche circonstancielle Pour un tude plus d taill et des solutions plus labor es voir DUC93 L approche lin aire Les algorithmes suivant cette approche font un parcours du graphe d h ritage d une classe et lin arisent ses sur classes en une chaine en construisant un ordre total a partir de l ordre partiel tabli par la relation de sp cialisation sorte de Ainsi la classe n h rite que d un seul des attributs conflictuels celui de la plus petite classe selon l ordre total construit Dans cette cat gorie certains syst mes comme SHIRKA REC88 font un parcours du graphe en profon
455. t nt es tel A beaut 175 5 8 1 Concept composite concepts COMPOSANTS meme 176 5 8 2 Dee CONCEP MATS Su rte RE A PRE Ge eee sented atau tnt Etes 177 La d composition dans un point de VUE ire 177 Sp cialisation de classes Affinement des attributs cCOMpoOsants 177 D composition multiple sisi skis Rires EE mn nee ENEE TREES 178 5 8 3 Limitations de la relation de composition dans TROPES em 179 CnC SL OM ss nn LE nn interet A lt nn dant en ts 179 Bibliographies OEA EEEE EEES EE EE rennes 180 Classification multi points de vue dans TROPES ssesessoscsssoccsssecessecesssecessosessssosessseses LOD THA ODUCT KOA p sesso EE ces EEEE NEE TEE ETES E ES E DEEE EE TE EE E E EEEE E 6 1 Description g n rale 6 2 El ments de la classification 6 2 1 L utilisateur et les points de vue Les points de vue principaux Les points de vue auxiliaires Les points de vue cach s 6 2 2 L instance et SON type 6 2 3 Les marques et statuts des classes 6 2 4 Les Statuts des points d Vues anna nee ennuis en Point d Vue Actif orenean A HG ces Re A AG aa Rte ede ae Point de vue inactif 6 2 5 Invariants de la Classification 54 rene Lans elk aid e an aN a a aa aad Fiat de la classiication sass aes sine a ee A Minne ash oa dia a Giunta eR E Relations invariantes 6 3 L algorithme de classification 6 3 1 Construction de l tat initial
456. t une sur classe directe de Cj soit la classe destination d une passerelle ayant comme source Cj alors le chemin est une suite monotone croissante selon l ordre d inclusion ensembliste il ne peut pas y avoir de chemins avec des cycles autres que ceux produits par des passerelles bidirectionnelles o la relation de sp cialisation n intervient pas Par exemple si A PVi E PVj et E PVj lt F PVj alors on ne peut pas d finir une passerelle F PVj A PV car cela donnerait un cycle A E F A faisant intervenir la relation E lt F Passerelle explicite as Passerelle d duite B1 B2 B3 PVi PV Fig 5 16 La passerelle unidirectionnelle explicite entre la classe A PVi et la classe E PVj entra ne l existence des passerelles implicites de chaque sous classe de A PVi vers la classe E PVj L ordre ainsi tendu interdit la cr ation de passerelles contradictoires comme par exemple de F PVj vers B PVi Lors de la cr ation d une base de connaissances TROPES le syst me v rifie que les passerelles d finies par le concepteur ne m nent pas aux contradictions comme celles du cycle pr c dent Cette v rification garantit la correction des inf rences faites par le m canisme de classification d instances qui utilise les passerelles comme raccourcis lors du placement d une instance dans un concept 6 5 5 Les classes d un point de vue Un point de vue TROPES comporte les l ments classiques des repr
457. tale de la proc dure de mise jour est COMPLEXITE DE LA MISE A JOUR D INFORMATION O mise_a_jour O p a ft ft max in t1 t2 c Ou p nombre des points de vue du concept a nombre d attributs du concept in nombre maximal d intervalles du domaine de T1 et T2 t 1 taille du domaine de base de T1 t 2 taille du domaine de base de T2 c min card maximale de T1 card maximale de T2 INous supposons que pour les attributs multi valu s le domaine est donn partir du domaine de base option 2 de 7 2 1 normalisation et validation du domaine 238 7 2 6 Complexit de la proc dure du choix du prochain point de vue Le dernier pas de l algorithme s quentiel de classification concerne le choix du prochain point de vue a consid rer Le crit re a consid rer pour ce choix est de prendre le premier point de vue principal actif S il n y a pas de points de vue principaux actifs l algorithme prend le premier point de vue auxiliaire actif Comme la proc dure de propagation de marques met jour la liste des points de vue principales actifs L_Pp et la liste des points de vue auxiliaires actifs L_pa le choix du prochain point de vue est si L_Pp PVpi gt PVi sinon si L_Pa PVax gt PVax sinon gt fini TRUE il n y a plus de points de vue actifs fsi si V Pv LC PV C_min PV gt fini TRUE il n y a plus de classes ouvertes si interruption_fin
458. tensions l algorithme de classification la relocalisation d une instance de la base la classification hypoth tique d instances et la classification d objets composites La relocalisation d instances concerne la reclassification d une instance d j class e dont l information change L algorithme de relocalisation recherche les nouvelles plus petites classes s re de l instance modifi e en partant des plus petites classes s res de l instance avant la modification et en remontant les arbres de diff rents points de vue le long des liens de sur classes et des passerelles L avantage principal de cette d marche par rapport une nouvelle classification de l instance modifi e partir des racines de tous les points de vue est qu elle tire partie des v rifications de type qui ont t faites lors de la premi re classification de l instance La classification hypoth tique descend d une instance incompl te des classes possibles partir d un ensemble d hypoth ses Deux types d hypoth ses ont t pr sent es des hypoth ses sur les valeurs des attributs de l instance classer et les hypoth ses sur les classes d appartenance de l instance Pour le premier type d hypoth ses deux approches sont possibles Dans la premi re approche la classification manipule un seul contexte dans lequel les hypoth ses de l instance sont g r es de fa on ind pendante La mise en cause d une hyp
459. tent le raisonnement non monotone qui consiste ajouter des hypoth ses a la base de connaissances au risque d avoir les remettre en cause apr s et le raisonnement monotone qui cr e des mondes hypoth tiques en parall le COR86 Ainsi pour l exemple des oiseaux le raisonnement non monotone consiste supposer qu un oiseau particulier Titi vole vole Titi Si apr s le syst me apprend que Titi est une autruche et que les autruches ne volent pas alors pour r soudre l inconsistance g n r e le syst me enl ve l hypoth se vole Titi Pour ce m me exemple le raisonnement monotone cr e deux mondes hypoth tiques l un avec l hypoth se vole Titi et l autre avec l hypoth se inverse vole Titi L ajout du fait autruche Titi qui entra ne vole Titi rend inconsistant le premier monde hypoth tique qui est alors effac Bien que nettement s par s la repr sentation de la connaissance et les m canismes d exploitation de cette connaissance sont interd pendants un raisonnement adapt une repr sentation peut s av rer lourd et compliqu pour une autre Par la suite nous pr sentons les diff rentes techniques de repr sentation de connaissances en indiquant pour chacune ses l ments de base les m canismes de raisonnement les plus adapt s et ses avantages et inconv nients 1 3 Techniques de repr sentation 29 Une technique de repr sentation des connaissances est
460. term diaires Partition du graphe dans des familles disjointes et distinction des points de vue 4 3 3 Parcours du Sraph ersan re een rene ere entre tee nn ln ne 4 3 4 A PPALLGMeENt one a ne ER EN RE ne E E E A AE QG A bast Milt 44 Classification de Cat gories nn 44 1 La classification dans les logiques terminologiques Repr sentation Graphe de subsomption de concepts Parcours du graphe Appariement entre deux Concepts assim rennes 4 4 2 Classification de classes par des types benne Repr sentation Graphe de classes et graphes de types inner Parcours des Staples siainen erir enasna a aaa ae E oa ERSS SEE E Ea EEE TAS ISAE neue Appariement 4 4 3 D autres syst mes de classification de cat gories seems 4 5 Classification d INSTANC S sn mn nn ne A dooney oea se eaaa Eea ee ee Pt teurs 4 5 1 Classification dans SHIRKA Repr sentation Parcours du graphe Apparement zisnea i assaia Eaa a AEE aia aaRS 4 5 2 Classification d instances dans les logiques terminologiques Repr sentation nn donnent Parcours du graphe Appariement entre une instance et un concept CTCL SL OM sn rss benne ESTEE O ae int ren SVE nt tn tnt ts RTE Bibliographie innnan a EEREN EREE REE nn nine ERON ETE EAER 118 Chapitre 4 Raisonnement par classification Le savoir naturel est d abord classificatoire Du point de vue de la relation avec l environnement classer signifie
461. tinents pour un concept peuvent ne pas l tre pour un autre C est le cas du point de vue Personnel dans l exemple de la base Immobili re qui permet de regarder les caract ristiques personnelles du Locataire mais qui n a pas de sens pour les autres concepts de la base par contre l observateur expert en finances point de vue Financier regarde aussi bien les finances du locataire que les conditions financi res des appartements et celles des agents qui les louent Fig 5 4 Alors lors de la d finition d un concept de la base le concepteur doit indiquer les points de vue pertinents pour ce concept 5 3 1 Le nom d un point de vue est unique dans la base de connaissances Ce choix permet la manipulation d objets composites form s d objets de diff rents concepts selon un point de vue particulier 5 8 153 Personnel Financier Agence Appartement Fig 5 4 L ensemble des points de vue de la base est l union des points de vue des concepts de la base Dans la base Immobili re le concept Appartement est visible des points de vue Financier Taille et Localisation tandis que pour Agence seuls Financier et Localisation sont pertinents et le concept Locataire est d crit des points de vue Personnel et Financier 5 2 Les concepts de la base Un concept de la base de connaissances d crit une famille d individus semblables ces individus appel s instances sont d crits en termes d un en
462. tion graduelle de classes dans un arbre de classes Le syst me part d une description initiale qui peut tre incompl te Si avec l information initiale l algorithme n arrive pas classer l instance il d termine un ensemble de questions pertinentes dont la r ponse aiderait la descente de l objet dans le graphe pour les poser l utilisateur Finin propose deux strat gies d acc l ration pour la classification classification par profil d attribut et clas sification par exclusion La premi re strat gie rejoint les id es de l algorithme pr c dent de choisir partir des relations de sous typages entre les types des attributs les pr d cesseurs possibles de la classe La deuxi me strat gie tire parti de la structure d arbre pour choisir dans chaque niveau une seule classe comme le pr d cesseur de la classe classer L algorithme utilise un langage de concepts et il fait une pr classification des concepts qui sont pr sents dans la description des r les mais qui ne sont pas encore localis s explicitement dans la base Tous les algorithmes pr sent s pr c demment visent a trouver la place correcte pour une cat gorie dans un graphe de cat gories existantes induit par une relation d ordre Par la suite nous allons discuter des algorithmes qui classent dans ce m me graphe de cat gories un individu particulier Le probleme consiste dans ce cas a trouver la s cat gorie s ou classe
463. tion des programmes En Intelligence Artificielle le paradigme objet donne lieu aux syst mes de repr sentation de connaissances objets RCO Ces syst mes d claratifs d crivent le monde en termes d objet entit du monde identifiable de fa on unique et s parable de son environnement Les l ments de base d une RCO sont les objets et les liens entre ces objets qui mod lisent les relations des entit s du monde Les m canismes d inf rence utilisent des techniques sp cialis es qui tirent profit de cette repr sentation Le terme repr sentation objets a t utilis pour d crire des syst mes aussi vari s que les logiques terminologiques et les syst mes issus des sch mas de Minsky En effet dans tous ces syst mes l unit de repr sentation est l objet qu on l appelle concept prototype ou classe et instance Leurs diff rences proviennent du fait qu ils int grent les objets aux diverses repr sentations d j existantes Ainsi les logiques terminologiques comme KL_ONE BRA amp 85 et LOOM McGRE amp 91 int grent des taxinomies de concepts aux r seaux s mantiques tandis que des systemes de sch mas comme FRL ROB amp 77 KRL BOB amp 77 KEE FIK amp 85 UNITS STE amp 85 YAFOOL DUC88 et SHIRKA REC88 reprennent des id es des sch mas de Minsky en distinguant deux types de sch mas l un g n rique la classe et l autre individuel l instance 2 2 El ments du mod le classe in
464. tion par subsomption co subsomption propos e par Napoli NAP92 est obtenue a partir de la O subsomption en ajoutant l ensemble de propri t s P la propri t compos de qui m morise les parties de l objet et en modifiant les r gles de partage de valeurs S pour faire une diffusion ad quate des valeurs d attributs entre le tout et ses composants La s mantique accord e a la co subsomption est la suivante Un objet O1 co subsume un objet O2 si O1 est ou d crit une partie de O2 La relation de co subsomption est sp cialement con ue pour l laboration d objets composites par assemblage de parties plus simples pour le moment elle est exclusivement appliqu e la synth se de structures mol culaires syst me YCHEM Cette approche constructive explique le choix de d finir la co subsomption comme la relation est partie de et non pas comme la relation est compos de La description de la relation de composition partir de la relation de subsomption favorise l utilisation des m canismes de raisonnement li s la subsomption tels que la classification pour raisonner avec des objets composites Le syst me TROPES que nous allons d crire dans le chapitre 5 se place dans l approche stricte qui tablit une relation de composition fixe pr d finie diff rente de la relation de sp cialisation Pour ce type de syst mes on peut d velopper des m canismes de raisonnement sp cialis s fa
465. tribut pour une classe signifie le type normalis 166 5 5 3 Type de la classe La description compl te d une classe est donc l union des types des attributs pr sents dans la classe c est dire des attributs pour lesquels la classe impose des contraintes de fa on explicite ou par h ritage Cet ensemble d attributs doit faire partie des attributs visibles du point de vue de la classe Le type de la classe est l union des types pour cette classe de TOUS les attributs du concept Ainsi la diff rence de la description compl te le type de la classe comporte outres les attributs d finis ou affin s dans la classe tous les autres attributs du concept Pour les attributs qui ne sont pas pr sents dans la classe le type pour la classe est le type maximal donn lors de la d finition de l attribut dans le concept car ni la classe ni ses sur classes n imposent de restrictions additionnelles Ainsi par exemple le type de la classe Travailleur du concept Locataire du point de vue Financier inclut les attributs age et situation de famille avec leurs types maximaux Locataire Travailleur Financier age un entier situation de famille un chaine profession un chaine activit un chaine domaine travailleur revenus_annuels un reel Le type d une classe d un concept C est utilis pour v rifier la coh rence des points de vue de C lors des modifications sur leurs sch mas de classes 1l est aussi
466. ts partir des faits connus Ces r gles le modus ponens le modus tollens et la sp cialisation universelle sont combin es avec des manipulations syntaxiques des formules filtrage et unification pour laborer la d duction MAS amp 89 La r gle de sp cialisation universelle dit que si une formule est vraie pour tous les individus elle est vraie pour un individu particulier Cette r gle appliqu e aux formules pr c dentes 1 et 2 donne 3 1Une histoire de l volution des techniques de repr sentation de connaissances est pr sent e dans BRA90 30 Pr misses 1 chien Olafo 2 Vx chien x gt aboie x conclusion 3 chien Olafo aboie Olafo La r gle de modus ponens affirme que si un fait entra ne un deuxi me et que le premier est vrai alors le deuxi me est vrai aussi Appliquer le modus ponens aux formules 1 et 3 donne 4 Pr misses 1 chien Olafo 3 chien Olafo aboie Olafo conclusion 4 aboie Olafo Avantages Le cadre formel de la logique math matique permet de manipuler directement certaines notions cognitives l mentaires en leur donnant un sens pr cis La logique fournit un formalisme clair et non ambigu cette clart vient d une part du fait que la signification d une formule ne d pend que de sa structure et de la signification donn e a ses composants atomiques et d autre part du fait que le langage d expression logique est proche du langage naturel HAT amp 91 De
467. ts binaires dans les ann es 70 plusieurs systemes de compr hension du langage utilisent les r seaux s mantiques de m me que quelques logiciels ducatifs comme SCHOLAR CAR amp 73 Plusieurs vari t s de r seaux s mantiques mergent la fin des ann es 70 les r seaux partitionn s de Hendrix HEN79 qui divisent le r seau en sous r seaux et qui permettent de manipuler ainsi des assertions comme la logique les r seaux de propagation de marqueurs FAH79 qui font une propagation parall le des tiquettes par un contr leur centralis les hi rarchies de th mes SCH amp 79 qui structurent les propositions dans des hi rarchies selon les sujets qu elles traitent coloris temps taille etc les r seaux proc duraux LEV amp 79 issues des id es des repr sentations proc durales de Winograd WIN72 etc Repr sentation de la connaissance Un r seau s mantique est un graphe compos d un ensemble de n uds qui repr sentent des concepts d entit attribut objet v nement tat etc et d un ensemble d arcs orient s tiquet s liant deux n uds qui repr sentent des relations binaires entre ces concepts les tiquettes dans les arcs sp cifient le type de la relation mod lis e Quelques relations repr sentent des cas linguistiques comme agent patient et r cepteur d autres des connecteurs de causalit spatiaux ou temporaires et d autres 34 encore sp cifient le r
468. ts composites Ces trois extensions de la classification permettent de prendre en compte l volution l incompl tude d une base de connaissances ainsi que la complexit de ses l ments Elles ont t con ues comme des extensions ind pendantes de la classification Pour avoir une dynamique compl te des instances de la base il faut encore int grer ces trois m canismes entre eux et avec les m canismes de mise jour des classes ajout relocalisation et modification Cette int gration permettrait de faire la classification hypoth tique d objets composites la relocalisation des instances simples ou composites d une classe qui migre ou encore relocaliser les instances hypoth tiques de la base Bibliographie CRU92 CRUYPENNINCK F Interface de visualisation et explication du raisonnement par classification d objets complexes M moire d Ing nieur en Informatique Conservatoire National d Arts et M tiers CNAM 1992 GEN90 GENSEL J Gestion des d pendances et des hypoth ses dans un mod le de connaissances objets Rapport DEA d Informatique INPG Grenoble 1990 GEN amp 92 GENSEL J GIRARD P Expression d un mod le de t ches l aide d une repr sentation par objets Actes Repr sentation Par Objets RPO EC2 La Grande Motte France pp 225 236 1992 MAR91 MARINO O Classification d objets composites dans un syst me de repr sentation de connaissances multi points de vue RF
469. ts de vue dans une classification les diff rentes sortes de marques de leurs classes lors de la classification et l information que la classification a tout moment de l instance classer Ces l ments vont permettre de sp cifier plus rigoureusement la classification et de d finir les notions d invariant de la boucle de classification et d tat stable 6 2 1 L utilisateur et les points de vue La puissance d un mod le multi points de vue pour la proc dure de classification vient du fait qu un utilisateur expert dans un domaine peut lancer la classification d une instance d un concept sur un sous ensemble des points de vue du concept les points de vue propres son domaine d expertise les autres points de vue lui servant inf rer des connaissances additionnelles travers les passerelles Ainsi avant de lancer la classification d une instance d un concept l utilisateur peut grouper les points de vue du concept en trois ensembles les points de vue principaux de son domaine d expertise les points de vue auxiliaires dont il a une connaissance partielle et les points de vue cach s pour lesquels il n a pas de connaissances2 La classification multi points de vue de TROPES est semi automatique le programme pose des questions l utilisateur chaque fois qu il ne peut plus inf rer d information et qu il ne peut pas avancer avec l information dont il dispose Ce dialogue commence par des
470. ttribut d une ou plusieurs classe s dans les taxinomies de caract ristiques chaque n ud repr sente une caract ristique c est dire un descripteur d attribut En fait la richesse expressive des langages terminologiques rendrait impossible le regroupement de toutes les caract ristiques d un r le sous une forme normale unique le type du r le alors que dans la classification par des types pr sent e pr c demment le langage est plus restreint et une description corresponde une forme normale unique Conclusion La classification est le m canisme de raisonnement principal des repr sentations par objets La classification est un processus qui partir d une base de connaissances structur e et d un nouvel objet trouve la localisation appropri e de l objet dans la base Pour accomplir sa t che l algorithme de classification doit parcourir la base de cat gories et pour chaque cat gorie visit e il doit faire une comparaison entre la cat gorie et l objet classer pour d terminer la relation d ordre ou d appartenance entre eux Ainsi le m canisme de classification peut se d crire partir de quatre aspects principaux d une part les l ments de la repr sentation et leur structuration dans la base et d autre part les tapes de l algorithme concernant le parcours du graphe et l appariement entre objets Les bases de connaissances d une repr sentation par objets comportent des
471. ty CA pp 187 189 1980 BOOCH G Object Oriented Design with Applications Benjamin Cummings Readings MA 1990 CARRE B M thodologie orient e objet pour la repr sentation des connaissances Th se d informatique Laboratoire d Informatique Fondamentale de Lille 1989 CORELLA F S mantique retrieval and Levels of Abstraction Expert Databasie Systems Larry Kerschberg ed The Bejamin Cummings Publishing Company Inc pp 91 114 1986 DAVIS H E VIEWS Multiple Perspectives and Structured Objects in a Knowledge Representation Language Bachelor and Master of Science Thesis MIT 1987 FERBER G J Coreferentiality The Key to an Intentional Theory of Object Oriented Knowledge Representation in Artificial Intelligence and Cognitive Science chapitre 6 J Demongeot T Herv V Rialle et C Roche d Manchester University Press 1988 FIKES R KEHLER T The Role of Frame Based Representation in Reasoning Communications of the ACM vol 28 n 9 pp 904 920 1985 GOODWIN J W Taxonomic Programming with KLONE Link ping University Informatics Lab R R f vrier 1979 MARTIN W A Descriptions and Specialization of Concepts in Artificial Intelligence An MIT Perspective vol 1 pp 377 419 P H Winston R H Brown d The MIT Press 1979 MINSKY M A Framework for Representing Knowledge in The Psychology of Comp Vision P H Winston d McGrawHill New York chapitre 6 pp 156 189 1975 MINSKY M
472. u particulier Anne le graphe C poss de une partie commune avec le graphe B par joint ils produisent D M canismes de raisonnement Les graphes conceptuels offrent deux types de raisonnement qui correspondent peu pr s aux approches d finitionnelle et prototypique des sch mas le raisonnement exact et le raisonnement plausible Le raisonnement exact utilise l quivalence entre la logique du premier ordre et les graphes canoniques ainsi que la hi rarchie de g n ralisation pour inf rer des connaissances logiquement correctes et s mantiquement convenables Le raisonnement plausible introduit les notions de sch ma et de prototype pour inclure des connaissances sp cifiques du domaine dans le raisonnement Un sch ma pr sente les concepts et relations couramment associ s un type de concept les diff rents sch mas associ s un type de concept correspondent aux diff rentes fa ons de voir l utilisation de ce type de concept la diff rence des d finitions des types les sch mas n tablissent pas de conditions n cessaires et suffisantes pour leurs types Si les sch mas prennent en 50 compte la connaissance du domaine au niveau des types de concepts les prototypes le font au niveau des individus un prototype est un individu typique d un concept ayant des valeurs par d faut pour les diff rentes relations intervenant dans le concept Les sch mas et les prototypes permettent de raisonner sur des graphes inc
473. u vu de la nouvelle liste d attributs valeurs de l instance Si elle n est pas une marque valide alors le syst me doit entamer les actions n cessaires pour r tablir la coh rence dans le point de vue de la classe en question 249 La proc dure de propagation par des passerelles apr s la remont e de l instance modifi e parcourt toutes les passerelles du concept en faisant une comparaison de leur tat e0 avant la remont e stock e dans une structure temporaire et leur nouvel tat e apr s la remont e Huit sortes de changement de marques sont possibles Fig 8 4 chacun de ces changements de marques correspond une action visant retrouver la coh rence globale de la base Cette action peut inclure outre la proc dure d effacement de la passerelle enlever la passerelle de la liste de passerelles actives l ajout d une des classes de la passerelle la liste s re possible de classes dont la marque a chang de s re possible Apr s avoir parcouru toutes les passerelles du concept le syst me appelle une proc dure de relocalisation_possible pour mettre jour les marques dans les points de vue des classes de cette liste cette proc dure est d crite plus loin Nous allons d tailler chacun des huit cas possibles de modification de marques d une passerelle a Dans l tat initial eg toutes les sources sont s res et la destination est s re La classe qui change sa marque est la classe destination da
474. ue principal n anmoins ce choix va demander l utilisateur un grand nombre d informations concernant le point de vue PVa2 pour v rifier l appartenance de I aux classes qui se trouvent entre B et G Crit re 2 reprendre le plus vite possible un point de vue principal pour suivre la classification Le crit re oppos consiste a dire que si l utilisateur a choisi le point de vue PVp comme point de vue principal c est parce qu il connait la plupart des informations de Vinstance I pour les attributs de ce point de vue Donc le syst me vise reprendre le plus vite possible ce point de vue pour avoir plus d information de la part de l utilisateur Avec ce crit re le point de vue choisi est PVal 6 4 Classification d objets compos s A la diff rence des objets simples dont toutes les propri t s prennent leurs valeurs dans des concepts primitifs entier chaine r el etc les objets compos s ont des propri t s qui prennent leurs valeurs dans des concepts abstraits d finis par l application de la base de connaissances 5 2 1 L algorithme de classification que nous venons de pr senter permet de classer aussi bien les instances simples que les instances compos es La seule diff rence entre la classification d instances simples et la classification d instances compos es se trouve au niveau de la proc dure de validation du type qui est la proc dure en charge de v rifier si une valeur donn e satisfa
475. ue actuel devient inactif car toutes ses classes sont d j marqu es Comme nous allons montrer dans 6 3 7 la prochaine it ration de la boucle de classification se fera pour un autre point de vue le point de vue actuel change 200 Algorithmes de propagation de marques Par la suite nous allons montrer le sch ma g n ral de parcours des points de vue syst me de classification pour faire la propagation des marques e lt S1 E1 gt lt Sn En gt lt D E gt indique une passerelle ayant comme sources les classes S1 S2 Sn et comme destination la classe D ces classes appartenant toutes a des points de vue diff rents la source SI a l tiquette E1 S2 l tiquette E2 et la destination D l tiquette E non marqu est not e La fonction marque C rend la marque de la classe C e La proc dure marquer C E marque la classe C avec l tiquette E e Le pr dicat sur classe S C rend TRUE si S est une sur classe de C FALSE sinon e Le pr dicat sous classe S C rend TRUE si S est une sous classe de C FALSE sinon e Le pr dicat s ur S C rend TRUE si S est sous classe directe de la sur classe directe de C FALSE sinon e Lorsque toutes les classes d une passerelle sont marqu es celle ci est enlev e de la liste des passerelles actives du concept par la fonction d sactiver pass A la fin de la propagation la liste de passerelles encore actives est parcourue pour identifier les points d
476. uemment trouv es chez une instance de la cat gorie Ainsi une cat gorie d finit pour chaque attribut une zone possible et une zone typique La relation entre une instance et une cat gorie est donn e par un degr d appartenance calcul en termes des valeurs possibles et cr dibles de l instance et leur localisation dans les zones possibles et typiques de la cat gorie Pour la suite de la discussion nous allons utiliser la d finition structurelle une cat gorie est d crite par un ensemble de propri t s et de contraintes et un individu particulier par un ensemble de propri t s valu es 4 3 2 Graphe de cat gories Dans une base de connaissances les cat gories sont structur es selon une relation d ordre partiel Auparavant 4 3 1 nous avons d fini la relation d ordre partiel lt entre deux cat gories en termes de leur structure tant donn deux cat gories C et D soit elles ne sont pas comparables par exemple si C a une propri t p qui n est pas pr sente dans D et D en a une q qui n est pas pr sente dans C soit on peut d terminer par un algorithme d appariement 4 3 3 si D lt C ou si C lt D 126 Description explicite des relations d ordre partiel La relation C lt D peut tre d crite explicitement dans la base de connaissances par un lien de sp cialisation dans les langages terminologiques par un lien de subsomption allant de C vers D Ainsi pour un m me domaine de co
477. ues Pour parler de fa on g n ral de la classification d un l ment du graphe classe dans les RCO concept dans les LT nous allons utiliser le terme cat gorie La classification qu elle soit comprise dans le sens classification de cat gories ou classification d instances fonctionne sur une base de connaissances structur e en termes de cat gories d objets Une cat gorie groupe un ensemble d individus semblables Les cat gories sont organis es dans un graphe selon un ordre partiel pr tabli Dans une telle structure la classification d un nouvel objet consiste trouver sa place dans la structure c est dire rendre explicite les relations d ordre dans le cas de la classification d une cat gorie d appartenance dans le cas d une instance existantes entre ce nouvel objet et les cat gories du graphe L algorithme de classification comporte deux tapes principales le parcours du graphe des cat gories existantes et tout au long du parcours la comparaison entre l objet classer et une cat gorie particuli re du graphe processus appel appariement Par la suite nous allons discuter plus en d tails ces quatre aspects les cat gories l ordre partiel entre elles le parcours du graphe et l appariement 4 3 1 Les cat gories et leur relation d ordre L interpr tation donn e au terme cat gorie la relation d appartenance d un objet une cat gorie et la relation d ordr
478. uisent et qui se d placent il trouve aussi des diff rences leur fa on de se d placer leur nourriture leur dur e de vie etc Pour repr senter le dinosaure il fait donc une copie de l aigle et il modifie cette copie pour prendre en compte les diff rences remarqu es Si apr s on lui montre un canard il fera une nouvelle copie de l aigle cette fois en masquant moins de attributs car il y a plusieurs vraisem blances entre les deux oiseaux Le mod le final Fig 2 21 d pend de l ordre d insertion des instances Si notre individu avait appris le dinosaure en premier puis le canard puis l aigle le mod le final Fig 2 22 aurait pr sent une structure linaire sugg rant que le dinosaure tait un prototype du canard et celui ci un prototype d aigle U Dinosaure l Aigle Ti copie _d copie _ de i Canard canara Dinosaure A copie_de Aigle Fig 2 21 Repr sentation prototypique Fig 2 22 Repr sentation obtenue obtenue par l acquisition des prototypes par l insertion du dinosaure puis aigle puis dinosaure puis canard du canard et enfin de l aigle 90 Dans l approche classe instance l individu commence par cr er une classe g n rique animal ayant les attributs communs toutes les animaux telles que est_vivant et peut_se_ d placer L aigle peut ensuite tre cr comme instance de la classe animal ou bien d une nouvelle classe oiseau sous classe d animal pour laquelle il
479. uit la notion de classe de repr sentation Une classe de repr sentation par opposition une classe d instanciation n a pas la fonctionnalit d instanciation Les classes de repr sentation sont des sp cialisations d une classe d instanciation elles d crivent des sous ensembles d individus de la classe d instanciation ayant certaines propri t s sp cifiques Une instance appartient une seule classe d instanciation mono instanciation mais elle peut avoir plusieurs classes de repr sentation De plus pendant sa vie une instance qui volue peut changer de classes de repr sentation mais elle reste toujours rattach e sa classe d instanciation EMPLOYE SCIENCE SOCIALI Fig 310 Une instance de ROME a une classe fixe d instanciation mais elle peut avoir plusieurs classes de repr sentation sous classe de sa classe d instanciation Les liens de repr sentation peuvent changer lors de l volution de l instance Dans l exemple de l universit Paul Ricaud est avant tout une instance de Employ il est aussi repr sentant des classes Assistant et Arts Fig 3 10 Cette id e d avoir une classe d instanciation pour l information de base de l objet et plusieurs classes de repr sentation pour ses perspectives est propos e aussi par le syst me PINOL NGU amp 91 qui fait une distinction entre le type d une in
480. une fa on de repr senter la connaissance dans un ordinateur pour qu elle soit utilis e par un programme pour inf rer des nouvelles connaissances Dans le cours des 20 derni res ann es l I A a vu apparaitre diff rentes techniques de repr sentation de connaissances tels que les pr dicats logiques les syst mes de production les r seaux s mantiques et les sch mas frames Les pr dicats logiques et les r gles de production repr sentent la connaissance sous forme de propositions ou affirmations sur le monde Les r seaux s mantique tout en gardant cette approche propositionnelle commencent a prendre en compte la structure et les relations entre ces propositions Enfin les sch mas pousse l approche structurelle fond ils repr sentent le monde en termes de ses objets et leurs propri t s et relations 1 3 1 Logique La logique math matique figure parmi les premiers outils utilis s par l I A pour formaliser la connaissance La logique la plus utilis e est la logique des pr dicats du premier ordre en effet un des premiers syst mes intelligents The logic Theorist 1 1 est bas sur cette logique Parmi les syst mes d I A utilisant la logique comme formalisme de repr sentation les plus r ussis sont les d monstrateurs de th or mes et les syst mes de planification d velopp s sur des tels d monstrateurs i e STRIPS FIK amp 71 Un des grands apports de la logique l I A est le langage PROLOG
481. une premi re FC la racine qui a comme univers l ensemble de matrices comme partition de cet ensemble les ensembles matrice carr e et matrice rect_non_carr e Le n ud matrice carr e est la FC pr sent e auparavant Fig 7 1 qui a comme univers l ensemble de matrices carr es Le n ud matrice rect_non_carr e est une feuille de l arbre qui correspond une FC d g ner e n ayant pas de partition sa fonction de classification rend toujours 0 lt X X X lt Xin f p gt lt Xipt ht p gt Fig 7 2 Un arbre de classification est un arbre fini dont tout n ud est une forme de classification FC l univers de la FC d un n ud autre que la racine est un des l ments de la partition de son n ud p re dans l arbre Le point de vue forme du concept matrice est d crit par l arbre de classification A X lt X X1 X2 f gt lt X1 X11 X12 f1 gt lt X2 0 gt lt X11 0 gt lt X12 0 gt o X matrice X1 Matrice carr e X2 matrice rect_non_carr e X11 sym trique X12 Non_Sym trique Un AC peut tre tiquet en marquant chacun de ses n uds par sa position suite d entiers qui indique le chemin de la racine vers ce n ud Ainsi e la racine est d not e par X C f ou bien Xx Cy fr e pour une FC d not e par Xa Ca fa sa 1 me fille est d not e par Xai Cai fai L ensemble de positions de A X not Pos A est donn par l ensem
482. unit qu il doit localiser dans le graphe de cat gories Le deuxi me groupe le voit comme une agr gation d attributs et classe chaque attribut dans le graphe de types sous jacent au graphe de cat gories l union de ces classifications d attributs lui permettant d identifier la place correcte de l objet entier dans le graphe de cat gories Que l on parle d une classification d un objet dans un graphe de cat gories ou d une classification d un attribut d un objet dans un graphe de types la classification doit faire un parcours du graphe correspondant Le but de ce parcours est d obtenir la relation existante entre le nouvel objet et chaque objet du graphe pour la classification d instances cette relation est la relation d appartenance et pour la classification de classes c est la relation de sp cialisation enfin pour les attributs c est la relation de sous typage La plupart des syst mes divisent le probl me de la classification en trois parties pour la classification d instance seules la premi re et la troisi me parties sont pertinentes la premi re partie consiste trouver tous les objets du graphe qui sont plus g n raux que l objet classer et la deuxi me partie consiste trouver les objets qui sont plus sp cifiques La classification s ach ve par une troisi me tape dans laquelle le nouvel objet est attach au graphe en ajoutant des liens de pr s ance ou d appartenance
483. ur GG peintre Fig 3 3 Chaque utilisateur en observant un objet voit les attributs relevant de son domaine d int r t Pour un m me attribut deux observateurs voient la m me valeur 101 L approche multi disciplinaire plusieurs fa ons de voir un m me monde est utile pour mod liser des objets des domaines aussi divers que l lectronique et la biologie En effet les composants d un circuit peuvent tre vus du point de vue fonctionnel technologique ou spatial les taxinomies d animaux peuvent tre construites en prenant en compte des propri t s morphologiques volutives ou g ographiques des esp ces les attributs visibles dans chacune des taxinomies tant diff rents La plupart des syst mes de repr sentation par objets qui utilisent la notion de perspective le font pour mod liser des syst mes multi disciplinaire ils sont expos s par la suite 3 2 Les perspectives dans les R C O Bien que les applications en I A soient en souvent multi disciplinaires il existe tr s peu de syst mes traitant explicitement le concept de perspectives dans la repr sentation Par la suite nous allons analyser les diff rentes fa ons de repr senter les perspectives dans les mod les par objets l aide d un exemple simple une base de connaissances des employ s enseignants d une universit que l on veut regarder partir de deux point de vue domaine et emploi Le point de vue domaine t
484. ur de la base car le syst me ne peut pas utiliser la relation entre prototypes pour affiner la classification d un objet 2 6 2 BRA3S 1 3 5 Logiques terminologiques Les logiques terminologiques ont pour base les sch mas et les r seaux s man tiques Ces syst mes s appuient sur un mod le logique pour b tir des repr sentations au tour de la notion de concept structur et pour organiser des concepts dans une hi rarchie de subsomption ils manipulent et mettent jour la hi rarchie de concepts par un algo rithme de classification de concepts le classifieur Le pr curseur de cette famille est le syst me KL ONE d velopp par Brachman en 1978 BRA amp 85 et compl t par un m ca nisme de classification et une s mantique formelle en 1983 SCH amp 83 Le souci de com pl tude d une part et d efficacit du raisonnement de l autre ont motiv le d veloppement de toute une famille de syst mes certains ajoutent des l ments la repr sentation pour augmenter l expressivit comme KRYPTON qui introduit les ABOXs ou paquets d as sertions et LOOM McGRE amp 91 qui ajoute les r gles et les contraintes d autres aug mentent l efficacit de la classification en r duisant les capacit s d expression du langage comme dans le cas du langage de bases de donn s CLASSIC BRA91 ou en sacrifiant la compl tude comme dans les langages NIKL KAZ amp 86 et BACK NEB88 laussi appel s syst mes
485. us loin car un m me algorithme peut donner des r sultats diff rents si on change l ordre dans lequel sont d finies les sur classes directes d une classe fait qui ne devrait pas avoir de cons quences sur la fa on d h riter des attributs Fig 2 13 La lin arisation du chemin d h ritage d une classe fait d pendre le r sultat de l ordre dans lequel les classes s urs du m me niveau sont d clar es Ici l h ritage par profondeur pour C4 donne la s quence C4 C2 0 C3 C1 0 qui est diff rente de celle pr sent e dans la Fig 2 10 Par exemple pour le graphe pr c dent on peut avoir un graphe qui repr sente la m me connaissance en inversant l ordre de d finition de C1 et C2 sous classes de O Fig 2 13 Les algorithmes d h ritage indiquent que la classe C4 doit h riter les attributs a et b de la classe C2 au lieu d h riter a de C3 et b de Cl en profondeur ou bien Vattribut a de C3 et b de la classe C2 en largeur L approche graphique Dans l approche graphique une classe h rite de tous les attributs de ses sur classes Pour r soudre les conflits de noms les attributs conflictuels sont h rit s avec Vinformation du chemin des sur classes suivi partir de la classe o ils ont t cr s Cette approche est prise par COMMON OBJECTS et par d autres langages orient s objet Une variante cette approche est propos e par CHO amp 88 Ils pro
486. ut le syst me de classification Pour cela nous allons utiliser la notion d tat de classification et d tat accessible Informellement un tat de classification est une combinaison d univers des diff rents arbres un tuple de classes dont une de chaque point de vue et un tat accessible pour une instance x partir d un tat e est un tat par lequel peut passer x lors de sa classification partir de e Un tat est accessible depuis un autre s il y a une cha ne d tats directement accessible entre les deux Un tat e est directement accessible par un tat e s ils sont identiques sauf pour un des composants du tuple pour ce composant e a une classe plus basse dans l arbre obtenue par une descente directe ou par une passerelle Pour simplifier les explications nous ne traitons ici que les passerelles ayant une seule classe source Pour les passerelles avec plusieurs sources il suffit d tendre la d finition 4 une relation n aire n lt m 2 B est un prefix de si la suite de numeros de o contient celle de B Bx x 3 Xp signifie la classe X du point de vue arbre j 217 Soit s lt B P gt un SC avec B Al AM xex L ensemble des tats de la classification pour x not EC est le produit cart sien Ua X X Uam L ensemble E des tats accessibles pour x partir d un tat initial not ECA est un sous ensemble de EC d fini par induction par
487. ution de l appartement tandis que le point de vue Localisation prend en compte l environnement de l appartement et Financier s occupe des d penses de location de l appartement Fig 5 8 concept Appartement Localisation nr_pieces balcons nr_ tages Taille pres_usin amp adresse tage num ro transport_publ ique caution charges Financier Fig 5 8 Les attributs cl s sont visibles depuis tous les points de vue Les autres attributs depuis un ou plusieurs points de vue Par exemple l attribut quartier est visible du point de vue Localisation mais aussi du point de vue Financier car il est n cessaire pour calcules les imp ts 157 Les attributs visibles d une instance dans un point de vue sont les attributs visibles dans ce point de vue 5 3 2 Structure d un point de vue Un point de vue d un concept d termine non pas seulement les attributs visibles mais l organisation des instances du concept dans une structure particuli re de sp cialisation de classes ce graphe de sp cialisation est induit par les attributs visibles et la connaissance du concept associ e ce point de vue La structure de sp cialisation de classes comporte les l ments classiques des repr sentations objets classes et instances et leurs relations sorte de et est un une classe repr sente un ensemble d instances d crit par un sch ma d attributs et descripteurs 5
488. uts du concept ce qui donne O a 2 n ni n ni fa O a n ni a n ni fa La complexit de la proc dure d appariement est la somme de la complexit des tapes pr liminaires et la complexit du cours de l appariement 231 O appariement O ni a fa a n ni a n ni a n ni fa 0 n a fa 2a n ni O a n fa 1 O a n fa COMPLEXITE DE LA PROCEDURE D APPARIEMENT O appariement O n a fa ou n nombre maximal de sous classes directes d une classe a nombre d attributs du concept fa complexit de valider un type pour une valeur d attribut 7 2 4 Complexit de la proc dure de propagation de marques Pour le calcul de la complexit de la proc dure de propagation de marques nous allons prendre en compte les param tres suivants j niveau dans le point de vue de la nouvelle classe actuelle h hauteur maximal de l arbre de classes point de vue pa nombre de passerelles actives du concept z nombre maximal d arbres impossibles sous arbres de l arbre dont la racine est la plus petite classe s re d un point de vue taille de L_imp Fig 7 15 p nombre de points de vue du concept La proc dure de propagation de marque entra ne des propagations l int rieur d un point de vue et des propagations entre diff rents points de vues L algorithme de propagation tel qu il a t pr sent dans 6 3 5
489. valu et de nature composant alors pour toute instance d Appartement l attribut pi ce est un attribut composant multi valu Le domaine maximal des valeurs d un attribut est ensemble maximal de valeurs que peut prendre cet attribut pour une instance du concept Cet ensemble maximal peut tre un domaine primitif si l attribut prend ses valeurs dans un type de base du syst me tels que entier chaine etc ou bien un domaine d fini s il prend ses valeurs dans un autre concept d fini de la base Un concept ayant des attributs qui prennent des valeurs dans d autres concepts de la base est appell concept compos et ses instances instances compos es Par exemple le concept Appartement peut avoir les attributs adresse surface tage caution loyer nb_ pi ces etc L attribut nb_pi ces peut tre d fini comme tant caract re mono valu et de nature propri t et prenant ses valeurs dans le domaine primitif entier Fig 5 5 attribut nb_pi ces concept appartement valeurs _ dans entier tache NULL nature propri t multi valeur faux Fig 5 5 Un attribut d un concept est d fini par un sch ma qui indique le concept dans lequel il prend ses valeurs ainsi que sa nature et caract re Chaque description d attribut dans TROPES a un type associ le type d un attribut est d termin par le domaine de valeurs qu il peut prendre 4 4 2 Le type maximal d un attribut est le type donn
490. x contrainte c t l c t 2 La deuxi me description attache une m thode de calcul l attribut c t 2 la valeur de l attribut est obtenue en copiant celle de l attribut c t l Dans ce deuxi me cas la contrainte c t l c t 2 est toujours satisfaite une fois la valeur du c t 2 calcul e Si les facettes d inf rence de valeur dans une classe sont utilis es pour v rifier l appartenance d un individu la classe lors d une classification alors pour la deuxi me description de l exemple tout rectangle n ayant pas une valeur connue pour l attribut c t 2 est class comme tant un carr Rectangle Rectangle sorte_de Carr c t l un entier c t 2 fun egal c t 2 contrainte c t l c t 2 c t l un entier c t 2 un entier contrainte c t l c t 2 Cas 1 Cas 2 Fig 2 4 Dans le premier cas pour qu un rectangle soit un carr il faut conna tre les valeurs de ses deux c t s et que ces valeurs soient gales Dans le deuxi me cas avec la valeur d un des c t s le syst me peut calculer la valeur de l autre la m me valeur Si ce calcul est fait lors de la classification tout rectangle n ayant pas de valeur pour c t est class comme tant un carr 2 2 4 Instance et relation d appartenance Une instance repr sente un individu particulier du monde L instance de m me que la classe est d crite par une structure trois niveaux
491. x cas entra ne une premi re propagation des passerelles assez co teuse de l ordre de pa mais ce co t est compens au niveau de l algorithme total de classification par le fait qu apr s cette premi re propagation il n y a plus de passerelles actives ce qui entra ne un taux constant pour les it rations suivantes du cycle de classification dans cette tape 7 2 7 Donc on peut dire d j que le co t total de la propagation de marques pour toute la classification est dans ce cas extr me O prop_marques_totale O pa pa p h z L autre extr me se pr sente lorsque toutes les passerelles lient des feuilles des points de vue Ainsi seront d clench es seulement la fin chaque it ration de la boucle la proc dure parcourt toutes les pa passerelles une seule fois car aucune n est activable Ce parcour va se faire tout au long de la classification en fait celle ci ne va pas tirer parti des passerelles pour acc l rer la descente Nous allons montrer plus loin 7 2 7 que dans ce cas le nombre maximal d it rations de la boucle de classification est p h car les points de vue peuvent tre vus comme des arbres de classification ind pendants et pour chacun d eux l instance descend de h niveaux de la racine aux feuilles Donc pour ce deuxi me cas la propagation totale de marques co te O prop_marques_totale O p h pa p h z 236 Enfin la proc dure de propagation d
492. xemple que dans une base de connaissances ayant le concept Personne la classe Enfant contraint l attribut age a avoir une valeur de moins de 13 Si pour l instance Isabelle attach e la classe Enfant lage passe de 12 13 elle a son treizi me anniversaire alors l instance ne satisfait plus les contraintes de sa classe et elle doit tre relocalis e dans la classe Adolescent ce qui se fait en la remontant la sur classe d enfant la classe personne puis en la descendant vers adolescent Dans le premier cas l instance satisfait les types de ses classes d appartenance Elle est donc dans un tat stable et n est pas oblig e de remonter dans aucun des points de vue Par contre il se peut que la nouvelle valeur d attribut permette de trouver une classe plus sp cialis e pour l instance dans l un des points de vue A nsi pour ce premier cas le syst me relance la classification simple 6 avec la nouvelle valeur de l attribut et partir des plus petites classes s res de l instance Dans le deuxi me cas il y a une inconsistence car l instance ne satisfait plus les contraintes de ses classes d appartenance les plus sp cialis es Pour faire face cette contradiction le syst me fait appel une proc dure de relocalisation dont l objectif est de retrouver les plus petites classes s res de l instance dans les diff rents points de vue Ainsi on peut d finir la relocalisation comme la proc dure
493. ypoth ses post rieures sont effac es Le reclassement de l instance peut tre fait avec les algorithmes de relocalisation d une instance lors de la suppression d une valeur et lors de la modification d une valeur 8 1 Par des raisons d efficacit nous avons pris une approche un peu diff rente chaque it ration de la boucle de classification l mission d hypoth ses sur les valeurs d attributs cherche compl ter l information n cessaire pour descendre l instance d un niveau dans un point de vue D faire une hypoth se hj entra ne l effacement des hypoth ses post rieures et donc des liens d appartenance de l instance obtenus apr s l mission de hj par toutes les it rations post rieures de la boucle de classification Au lieu de recalculer l tat de l instance avant l mission de hj le syst me g n re pour chaque it ration de la boucle de classification un contexte hypoth tique avec les hypoth ses faites pour 254 descendre l instance d un niveau dans un point de vue les contextes hypoth tiques sont li s entre eux de fa on ordonn e la fin de chaque it ration de la classification un contexte hypoth tique contient la description d un tat stable e La liste de classes les plus sp cialis es de l instance hypoth tique pour chaque point de vue e La liste de racines d arbres impossibles L_imp pour chaque point de vue e La liste ordonn e des hypoth se

Raisonnement classificatoire dans une représentation à

Contents

Download Pdf Manuals

Related Search

Related Contents

Raisonnement classificatoire dans une repr&eacute;sentation &agrave;

Contents

Download Pdf Manuals

Related Search

Related Contents

Raisonnement classificatoire dans une représentation à