Actualités du LIPN

Business Intelligence aims at supporting better business decision-making, by providing tools and methods for collecting, modeling and interacting with data. Users have to deal with big data from structured databases and unstructured content (emails, documents, social networks, etc). Moreover, these data are often distributed and highly dynamic. Social Media and mobile technologies have changed our way to access information, facilitating communication and data exchange/sharing. All these evolutions refer to Business Intelligence 2.0.

An adapted modeling and visualization technique of links and interactions between several objects (e.g. products and sites, customers and products, social network...) is a precious mean to permit a good understanding of a lot of situations in the enterprise context. In this latter context, most of the time, these objects and their relations are stored in relational databases. But extracting and modeling such heterogeneous graphs, with heterogeneous objects and relations, are outside of the classical graph models capabilities, moreover when each node contains a set of values. On the other hand, graph models can be a natural way to present these interactions and to facilitate their querying. In this way, we propose a graph model named SPIDER-Graph which is adapted to represent interactions between complex heterogeneous objects extracted from relational databases, used for heterogeneous objects graph extraction from a relational database. One of the steps involved in this approach consists in identifying automatically the enterprise objects. Since the enterprise ontology has been used for describing enterprise objects and processes, we propose to integrate it in the object identification process (identify objects to be able to transform a graph of heterogeneous objects according to the user choice). Finally, we introduce the main principles of an aggregation algorithm used for community detection and graph visualization.

La découverte de motifs d’intérêt (pattern mining) dans les données est un des domaines majeurs du data mining. Son application la plus connue est la découverte d’itemsets fréquents dans des données transactionnelles, mais il en existe beaucoup d’autre pour le mining de patterns fréquents de type séquence, arbres ou graphes. Le problème de ces approches est que malgré des principes de base proches, toutes ces méthodes donnent lieu à des algorithmes spécifiques à un problème donné, ce qui rend difficile leur réutilisation et leur diffusion hors de la communauté des chercheurs en data mining.

Dans les travaux de thèse de Benjamin Négrevergne que nous présenterons à ce séminaire, un algorithme générique de mining de patterns d’intérêt est proposé. Cet algorithme se base sur le cadre théorique des "set systems" qui est à la base des problèmes de pattern mining. B. Négrevergne a pu formaliser et généraliser de nombreuses optimisations ad-hocs dans un algorithme générique et efficace appelé ParaMiner. Par ailleurs, cet algorithme est parallèle pour exploiter les processeurs multicoeurs. Le résultat est un algorithme efficace avec lequel il est possible de spécifier en peu de temps un nouveau problème de pattern mining, et qui a des temps d’exécution comparables voire parfois meilleurs à ceux des algorithmes ad-hocs de l’état de l’art.

Résumé : L’Analyse de Concepts Formels par Similarité (ACFS) est une façon d’étendre l’Analyse de Concepts Formels (ACF) à des données complexes qui ne se présentent pas sous la forme de contextes binaires (le format d’entrée de l’ACF) mais sous la forme de contextes multivalués. L’ACFS s’appuie sur la définition d’une mesure de similarité sur les données complexes considérées. Cette mesure similarité peut s’appuyer à son tours sur les connaissances relatives aux données et disponibles sous la forme d’ontologies de domaines, d’avis d’experts, etc. Par analogie avec l’ACF, les données similaires sont regroupées ensemble pour former des concepts dits multivalués. Ces concepts sont organisés pour former un treillis de concepts multivalués. L’aspect original de l’ACFS est qu’il est possible d’obtenir, pour un même jeu de donnée, des treillis de différents niveaux de granularité. Cet aspect est particulièrement intéressant dans le cas de l’interaction avec les treillis et permet, entre autres, d’effectuer des zooms avant/arrière sur les concepts selon le besoin en précision ou en abstraction qu’on souhaite avoir sur les données. Une première application de l’ACFS sur un corpus réel a été faite sur les données de BioRegistry où il était question d’explorer l’ensemble des sources de données biologiques sur le Web et de sélectionner les sources pertinentes pour une répondre à une besoin exprimé. D’autres applications de l’ACFS dans la cadre de la visualisation décisionnelle dans un contexte industriel et dans le cadre de l’aide à la décision en médecine seront brièvement présentées.

Orateur : Henry Soldano Date : jeudi 14 octobre à 12h15 Lieu : B311

En analyse de concepts formels (FCA) la relation entre d’une part, les énoncés d’un langage $\cal L$ formant un treillis pour la relation de généralité, et, d’autre part, leur extension sur un ensemble d’instances $W$, est matérialisée en un treillis $G$, dont chaque noeud représente un ensemble d’énoncés ayant même extension sur $W$. Cette structure est par exemple essentielle pour l’exploration de $\cal L$ dans la recherche d’implications valides sur $W$. Nous avons récemment montré qu’on pouvait réduire la taille de $G$ tout en préservant l’ordre et la structure de treillis, en définissant une extension abstraite $ext’=p°ext$ où $p$ satisfait certaines propriétés et est appelée une projection. Dans la première partie de cette présentation, je remarquerai d’abord qu’à toute projection est associée un ensemble $A$ de parties de W fermé par réunion que nous appèlerons une "abstraction", et inversement, et que ces abstractions forment elle-même un treillis pour un ordre partiel "est-plus abstrait-que". Je discuterai alors des propriétés des implications, dites abstraites, correspondant à l’inclusion des extensions abstraites. La deuxième partie de l’exposé est consacrée à la représentation en logique modale obtenue en interprétant une implication abstraite entre $p$ et $q$ comme une implication entre Abstrait $p$ et Abstrait $q$. En particulier je caractériserai les classes de logiques modales monotones (mais en général non normales) correspondantes, et je définirai les logiques multimodales permettant d’utiliser l’ordre sur les abstractions pour mener des raisonnements à plusieurs niveaux d’abstraction. Enfin je terminerai par quelques mots sur les travaux en cours sur l’apprentissage supervisé abstrait.