Classification in areas (2024-03-15)

Relational concept analysis (RCA) is an extension of formal concept analysis allowing to deal with several related contexts simultaneously. It has been designed for learning description logic theories from data and used within various applications. A puzzling observation about RCA is that it returns a single family of concept lattices although, when the data feature circular dependencies, other solutions may be considered acceptable. The semantics of RCA, provided in an operational way, does not shed light on this issue. In this report, we define these acceptable solutions as those families of concept lattices which belong to the space determined by the initial contexts (well-formed), cannot scale new attributes (saturated), and refer only to concepts of the family (self-supported). We adopt a functional view on the RCA process by defining the space of well-formed solutions and two functions on that space: one expansive and the other contractive. We show that the acceptable solutions are the common fixed points of both functions. This is achieved step-by-step by starting from a minimal version of RCA that considers only one single context defined on a space of contexts and a space of lattices. These spaces are then joined into a single space of context-lattice pairs, which is further extended to a space of indexed families of context-lattice pairs representing the objects manipulated by RCA. We show that RCA returns the least element of the set of acceptable solutions. In addition, it is possible to build dually an operation that generates its greatest element. The set of acceptable solutions is a complete sublattice of the interval between these two elements. Its structure and how the defined functions traverse it are studied in detail.

Class? is an enjoyable card game aiming at grouping colourful cards into meaningful classes. It illustrates facets of reasoning with classifications. In order to introduce Class? progressively, this small gamebook provides a sequence of games before getting to the Class? game itself and beyond. The games are presented in increasing order of difficulty so that a game will benefit from mastering of previous ones.

Relational concept analysis (RCA) extends formal concept analysis (FCA) by taking into account binary relations between formal contexts. It has been designed for inducing description logic TBoxes from ABoxes, but can be used more generally. It is especially useful when there exist circular dependencies between objects. In this case, it extracts a unique stable concept lattice family grounded on the initial formal contexts. However, other stable families may exist whose structure depends on the same relational context. These may be useful in applications that need to extract a richer structure than the minimal grounded one. This issue is first illustrated in a reduced version of RCA, which only retains the relational structure. We then redefine the semantics of RCA on this reduced version in terms of concept lattice families closed by a fixed-point operation induced by this relational structure. We show that these families admit a least and greatest fixed point and that the well-grounded RCA semantics is characterised by the least fixed point. We then study the structure of other fixed points and characterise the interesting lattices as the self-supported fixed points.

Many different methods have been designed for aligning ontologies. These methods use such different techniques that they can hardly be compared theoretically. Hence, it is necessary to compare them on common tests. We present two initiatives that led to the definition and the performance of the evaluation of ontology alignments during 2004. We draw lessons from these two experiments and discuss future improvements.

Cet article propose une étude et discussion sur la place des objets en représentation des connaissances. Il n'apporte pas de réponse complête et définitive à la question, mais se veut plutôt une synthèse constructive des travaux sur les représentations par objets réalisés jusqu'à présent. Cet article est également écrit à l'intention particulière de Jean-François Perrot, en essayant de débattre avec entrain et brio de la question actuelle des représentations par objets, des recherches et des résultats établis, des directions de recherche envisageables et de ce qui pourrait ou devrait être attendu.

Interoperability of heterogeneous systems on the Web will be admittedly achieved through an agreement between the underlying ontologies. However, the richer the ontology description language, the more complex the agreement process, and hence the more sophisticated the required tools. Among current ontology alignment paradigms, similarity-based approaches are both powerful and flexible enough for aligning ontologies expressed in languages like OWL. We define a universal measure for comparing the entities of two ontologies that is based on a simple and homogeneous comparison principle: Similarity depends on the type of entity and involves all the features that make its definition (such as superclasses, properties, instances, etc.). One-to-many relationships and circularity in entity descriptions constitute the key difficulties in this context: These are dealt with through local matching of entity sets and iterative computation of recursively dependent similarities, respectively.

Using ontologies is the standard way to achieve interoperability of heterogeneous systems within the Semantic web. However, as the ontologies underlying two systems are not necessarily compatible, they may in turn need to be aligned. Similarity-based approaches to alignment seems to be both powerful and flexible enough to match the expressive power of languages like OWL. We present an alignment tool that follows the similarity-based paradigm, called OLA. OLA relies on a universal measure for comparing the entities of two ontologies that combines in a homogeneous way the entire amount of knowledge used in entity descriptions. The measure is computed by an iterative fixed-point-bound process producing subsequent approximations of the target solution. The alignments produce by OLA on the contest ontology pairs and the way they relate to the expected alignments is discussed and some preliminary conclusions about the relevance of the similarity-based approach as well as about the experimental settings of the contest are drawn.

Integrating heterogeneous resources of the web will require finding agreement between the underlying ontologies. A variety of methods from the literature may be used for this task, basically they perform pair-wise comparison of entities from each of the ontologies and select the most similar pairs. We introduce a similarity measure that takes advantage of most of the features of OWL-Lite ontologies and integrates many ontology comparison techniques in a common framework. Moreover, we put forth a computation technique to deal with one-to-many relations and circularities in the similarity definitions.

La finalité des systèmes de représentation des connaissances par objets est de représenter des connaissances autour de la notion centrale d'objet. Cet article décrit l'origine et l'évolution de ces systèmes, ainsi que la place et l'avenir qui leurs sont réservés.

Construire automatiquement une taxonomie de classes à partir d'objets co-définis et indiférenciables n'est pas une tâche aisée. La partition de l'ensemble d'objets en domaines et la hiérarchisation de ces domaines par la relation de composition permettent de différencier les objets et d'éviter certains cycles impliquant une relation de composition. Par ailleurs, l'utilisation d'une dissimilarité bâtie sur les taxonomies de classes existantes dans certains domaines permet d'éviter de traiter d'autres cycles. Il subsite cependant des références circulaires qui sont alors circonscrites à une partie bien identifiée des domaines.

Un formalisme de représentation de connaissance a pour but de permettre la modélisation d'un domaine particulier. Bien entendu, il existe divers langages de ce type et, au sein d'un même langage, divers modèles peuvent représenter un même domaine. Ce mémoire est consacré à l'étude des rapports entre de multiples représentations de la même situation. Il présente les travaux de l'auteur entre 1992 et 1998 en progressant de la notion d'approximation, qui fonde la représentation, vers la confrontation entre les diverses représentations. Tout d'abord la notion d'approximation au sein des représentations de connaissance par objets est mise en avant, en particulier en ce qui concerne l'ensemble des mécanismes tirant parti de la structure taxonomique (classification, catégorisation, inférence de taxonomie). À partir de la notion de système classificatoire qui permet de rendre compte de ces mécanismes de manière unique on montre comment un système de représentation de connaissance peut être construit. Le second chapitre introduit la possibilité de tirer parti de multiples taxonomies (sur le même ensemble d'objets) dans un système de représentation de connaissance. La multiplicité des représentations taxonomiques est alors introduite en tant que telle et justifiée. Ces multiples taxonomies sont replacées dans le cadre des systèmes classificatoires présentés auparavant. La notion de granularité, qui fait l'objet du troisième chapitre, concerne la comparaison de représentations diverses de la même situation sachant qu'elles ont un rapport très particulier entre elles puisqu'elles représentent la même situation sous différentes granularités. À la différence des autres chapitres, celui-ci n'est pas situé dans le cadre des représentations de connaissance par objets mais dans celui des algèbres de relations binaires utilisées pour représenter le temps et l'espace. Le quatrième chapitre, enfin, va vers la confrontation des différentes représentations de manière à en tirer le meilleur parti (obtenir une représentation consensuelle ou tout simplement une représentation consistante). Le but des travaux qui y sont présentés est de développer un système d'aide à la construction collaborative de bases de connaissance consensuelles. À cette fin, les utilisateurs veulent mettre dans une base commune (qui doit être consistante et consensuelle) le contenu de leurs bases de connaissance individuelles. Pour cela, deux problèmes particuliers sont traités : la conception d'un mécanisme de révision, pour les représentations de connaissance par objets, permettant aux utilisateurs de traiter les problèmes d'inconsistance et la conception d'un protocole de soumission de connaissance garantissant l'obtention d'une base commune consensuelle. Cet aperçu partiel des travaux possibles dans l'étude des relations entre représentations est limité, mais il met en évidence le caractère non impératif des solutions proposées qui s'appliquent bien au cadre où le modélisateur interagit avec le système de représentation.

Les systèmes de représentation de connaissance sont utilisés pour modéliser symboliquement un domaine particulier. Certains d'entre eux utilisent la notion d'objet comme structure principale. On trace ici les traits principaux de tels systèmes, en évoquant les systèmes marquants. L'exposé approfondit ensuite un système particulier, TROEPS, en abordant d'abord les problèmes que la conception de ce système cherche à résoudre. TROEPS est présenté en considérant les constructions et les mécanismes d'inférence qu'il met en oeuvre.

Automatic classification may be used in object knowledge bases in order to suggest hypothesis about the structure of the available object sets. Yet its direct application meets some difficulties due to the way data is represented: attributes relating objects, multi-valued attributes, non-standard and external data types used in object descriptions. We present here an approach to the automatic classification of objects based on a specific dissimilarity model. The topological measure, presented in a previous paper, accounts for both object relations and the variety of available data types. In this paper, the extension of the topological measure on multi-valued object attributes, e.g. lists or sets, is presented. The resulting dissimilarity is completely integrated in the knowledge model TROPES which enables the definition of a classification strategy for an arbitrary knowledge base built on top of TROPES.

Cet article présente certains thèmes de recherches étudiés par les membres du groupe "Objets et classification" du PRC-IA. Ces thèmes concernent essentiellement la théorie des systèmes de représentation de connaissances par objets (RCPO), la révision d'une base de connaissances dans les systèmes de RCPO, la classification de classes et d'instances, et la mise en oeuvre d'applications, illustrée ici par le système RESYN. Les travaux présentés montrent une certaine continuité avec les préoccupations des membres du groupe depuis qu'il existe. L'article se termine par la présentation d'éléments de définition d'un système de RCPO, et de perspectives de recherches découlant des thèmes explicités dans l'article.

Dans le cadre d'une tâche de conception de hiérarchie, on mets en évidence l'influence des classes intermédiaires (ayant des sous-classes) sur le type de taxonomie obtenue (avec ou sans multi-spécialisation).

The classification scheme formalism represents in a uniform manner both usual data types and structured objects is introduced. It is here provided with a dissimilarity measure which only takes into account the structure of a given domain: a partial order over a set of classes. The measure we define compares a couple of individuals according to their mutual position within the taxonomy structuring the underlying domain. It is then used to design a classification algorithm to work on structured objects.

The classification scheme formalism represents in a uniform manner both usual data types and structured objects is introduced. It is here provided with a dissimilarity measure which only takes into account the structure of a given domain: a partial order over a set of classes. The measure we define compares a couple of individuals according to their mutual position within the taxonomy structuring the underlying domain. It is then used to design a classification algorithm to work on structured objects.

The notion of classification scheme is a generic model that encompasses the kind of classification performed in many knowledge representation formalisms. Classification schemes abstract from the structure of individuals and consider only a sub-categorization relationship. The product of classification schemes preserves the status of classification scheme and provides various classification algorithms which rely on the classification defined for each member of the product. Object-based representation formalisms often use heterogeneous ways of representing knowledge. In the particular case of the TROPES system, knowledge is expressed by classes, types and constraints. Here is presented the way to express types and constraints in a type description module which provides them with the simple structure of classification schemes. This mapping allows the integration into TROPES of new types and constraints together with their sub-typing relation. Afterwards, taxonomies of classes are themselves considered to be classification schemes which are products of more primitive ones. Then, this information is sufficient for classifying TROPES objects.

Il y a dix ans, apparaissait le système de représentation de connaissance SHIRKA. À travers la présentation de sa conception, de son évolution et de son utilisation, on tente d'établir ce que peut être, dix ans plus tard, un système de représentation de connaissance. La mise en oeuvre de deux points clé de SHIRKA - la séparation programmation-représentation et l'utilisation de l'objet partout où cela est possible - est particulièrement étudiée. Ceci permet de considérer leur pertinence et leur évolution pour la représentation de connaissance.

TROPES is an object-based knowledge representation system. It allows the representation of multiple taxonomies over the same set of objects through viewpoints and provides tools for classification (identification) of objects and categorisation (classification) of classes from their descriptions. T-TREE is an extension of TROPES for the construction of taxonomies from objects. Data analysis algorithms consider TROPES objects for producing TROPES taxonomies. Thus, data analysis is integrated into the knowledge representation system. Moreover, the original bridge notion permits the comparison and connection of adjacent taxonomies.

We argue that, due to semantics non reducibility, object based-knowledge representation systems (OBKR) and object-oriented programming languages (OOL) cannot be reduced one to another. However, being aware of this incompatibility allows to organise their cohabitation and co-operation accordingly. This is illustrated through the design of a new implementation of the TROPES system.

Les systèmes classificatoires représentent la structure supportant une activité de classification. Ils sont définis non pas à partir de la structure des entités à classer mais à partir de l'activité de classification elle-même. Ils prennent en compte la taxonomie dans laquelle est menée la classification et la construction de cette taxonomie. La notion de système classificatoire est étendue à l'aide d'opérations de produit et de projection qui engendrent de nouveaux systèmes classificatoires de telle sorte que les propriétés de ceux-ci leurs sont applicables. Les classifications multiples et composées sont ainsi caractérisées par un système classificatoire produit et des algorithmes peuvent être directement inférés de la composition des systèmes. L'exemple de TROPES permet de montrer comment la classification multi-points de vue d'objets composés est élaborée comme un produit de systèmes classificatoires à partir de systèmes classificatoires primitifs correspondant aux types de données.

The notion of classification scheme is a generic model that encompasses the kind of classification performed in many knowledge representation formalisms. Classification schemes abstract from the structure of individuals and consider only a sub-categorization relationship. The product of classification schemes preserves the status of classification scheme and provides various classification and categorization algorithms which rely on both the classification and the categorization defined in the members of the product. Object-based representation formalisms often use heterogeneous ways of representing knowledge. In the particular case of the system TROPES, knowledge is expressed by classes, types and constraints. Here is presented the way to express types and constraints in a type description module which provides them with the simple structure of classification schemes. This mapping allows the integration into TROPES of new types and constraints together with their sub-typing relation. Afterwards, taxonomies of classes are themselves considered to be classification schemes which are product of more primitive ones. Then, this information is sufficient for classifying TROPES objects.

Three different aspects of classes in object-based systems arestudied: the distinction between classes and instances, the separation of ontological from taxonomic function of classes and their descriptive or definitional meaning. The advantages of using a descriptive and taxonomic meaning for classes are advocated. One of the important reasons for separating ontology from taxonomy is the multiplicity of taxonomies over a same set of objects and the independence of objects from these taxonomies. These distinctions ground the semantics of the object-based representation system TROPES. The specialisation relation in TROPES is examined under this light and the classification mechanism is interpreted under the descriptive setting. It is shown that the use of a descriptive semantics of classes can support a semantics for the classification mechanism. In fact, there is no intrinsic superiority of definition over description: the precision of the former is balanced by the generality of the later.

La notion de système classificatoire est introduite comme généralisation de la classification dans les systèmes de représentation de connaissance. Sa définition ne dépend d'aucun modèle de connaissance. Les contraintes qui peuvent lui être ajoutées dans un modèle particulier sont examinées sous la forme de propriétés sémantiques, de structures graphiques et de problèmes d'incomplétude venant entacher les propriétés sémantiques. Ces seules contraintes permettront d'établir certaines propriétés (univocité, déterminance) de l'opération de classification et de concevoir les algorithmes en conséquence. Enfin, le système classificatoire est instancié de deux façons extrêmement différentes dans le cadre du modèle TROPES. La diversité de ces deux dernières interprétations est déjà un exemple de la généralité de cette définition.