La hiérarchie au sein des graphes cognitifs

Le modèle des graphes cognitifs connaît diverses extensions, permettant de l'enrichir ou d'effectuer diverses opérations sur les connaissances qui y sont représentés. L'une de ces extensions consiste à lier un graphe cognitif à une ontologie, dans le but de regrouper plusieurs concepts du graphe au sein de concepts plus grands.

Une ontologie

Le terme « ontologie » vient du grec onto, étant, et logos, la connaissance. Une ontologie peut donc être vue comme la « connaissance sur la connaissance ». En informatique, on utilise souvent ce terme pour désigner un modèle ou une structure de données organisant des informations de manière formelle. Ces informations sont de différents types. On retrouve généralement :

  • des individus ;
  • des classes qui regroupent plusieurs individus ayant des propriétés communes ;
  • des propriétés qui établissent des relations entre les individus…

Pour représenter ces ontologies, différents modèles et langages existent, chacun autorisant à représenter certains types d'informations, tels que les relations entre les classes ou les propriétés. Parmi ces langages, on peut citer OWL, basé sur les logiques de descriptions et utilisé notamment dans le cadre du Web sémantique.

Ontologie et graphes cognitifs

Dans le cadre des graphes cognitifs, les connaissances représentées dans l'ontologie sont simples et se limitent à un ensemble de classes d'individus liées entre elles par une relation de spécialisation. Une telle relation, dite également « est une sorte de », placée d'une classe B vers une classe A signifie que tous les individus de la classe B sont également des individus de la classe A. L'inverse n'est pas nécessairement vrai et ce n'est d'ailleurs généralement pas le cas. On dit alors que B spécialise A et que A généralise B. Une telle ontologie simplifiée est aussi appelée hiérarchie ou taxonomie.

Exemple de graphe cognitif ontologique
Exemple de graphe cognitif ontologique.

Dans le modèle des graphes cognitifs ontologiques [1], les concepts de la carte correspondent aux classes les plus spécialisées de l'ontologie. Les concepts d'un tel graphe sont donc des classes qui regroupent un ou plusieurs individus. Par conséquent, les influences entre les concepts, qui généralement sont des influences entre individus, représentent ici des influences d'un ensemble d'individus vers un autre. Il y a plusieurs manières d'interpréter ce type d'influence : l'influence s'applique entre les couples possibles d'individus des deux ensembles ou alors elle représente l'influence générale d'un groupe d'individus sur l'autre. Dans ce cas, l'influence peut être vue comme une moyenne de toutes les influences entre tous les couples possibles. C'est cette sémantique d'influence que avons choisi pour le projet.

Associer un graphe cognitif à une ontologie permet de regrouper les concepts de ce graphe au sein de concepts plus grands, en suivant la relation de spécialisation décrite par cette même ontologie. Ceci a deux avantages. D'une part, cela permet de mieux organiser les concepts de la carte en les représentant de façon hiérarchique. D'autre part, cela permet de considérer plusieurs concepts à la fois, notamment lors de calculs d'influence. Néanmoins, un nouvel opérateur, nommé influence ontologique doit être défini pour pouvoir effectuer un tel calcul entre deux concepts de l'ontologie. Généralement, on considère les influences propagées entre tous les couples de concepts de la carte regroupés par les deux concepts de l'ontologie. On choisit ensuite un opérateur d'agrégation pour combiner toutes ces valeurs afin d'obtenir une valeur unique.

Autres applications de l'ontologie

L'association d'un graphe cognitif et d'une ontologie a encore bien d'autres applications. Le mécanisme de vue [2] permet ainsi de de simplifier un graphe cognitif ontologique en n'affichant uniquement les concepts préalablement sélectionnés parmi ceux de l'ontologie. On appelle un tel ensemble de concepts une échelle. En choisissant des concepts plus ou moins grands dans l'ontologie, on obtient ainsi une carte plus ou moins simplifiée. Les influences sont automatiquement réaffectées vers les nouveaux concepts. Quant aux valeurs, celles-ci sont calculées en s'appuyant sur l'influence ontologique entre les deux concepts connectés.

Vue du graphe précédent
Vue du graphe précédent pour l'échelle regroupant les concepts Acidification de l'eau et Chaleur au sein de Phénomènes météorologiques.

Une autre utilisation de l'ontologie consiste à la voir comme un vocabulaire de concepts dans lequel différents concepteurs de graphes peuvent y choisir les concepts qu'ils estiment les plus pertinents pour leurs cartes respectives, selon leur niveau d'expertise. L'ontologie permet alors d'exprimer facilement les liens qui existent d'une carte à l'autre en mettant en avant les concepts de ces cartes liés dans l'ontologie par un lien de spécialisation. Ceci facilite l'étude de l'ensemble des cartes ou la synthèse [3] en une carte unique de cet ensemble.

Un ensemble de graphes cognitifs définis sur une même ontologie
Un ensemble de graphes cognitifs définis sur une même ontologie.

Pour aller plus loin…

Dans ce billet, nous avons présenté la notion d'ontologie et ce qu'elle pouvait apporter aux graphes cognitifs lorsque ces deux modèles sont associés.

Dans le cadre du projet Kifanlo, cette ontologie sera surtout utilisée pour la phase de synthèse des graphes, consistant à réunir les connaissances des différents pêcheurs en plusieurs graphes simplifiés. Par conséquent, l'ontologie servant de vocabulaire lors de la construction des cartes, celle-ci doit être définie avant même le début de la collecte des graphes. Ceci peut poser un problème dans le cas où les pêcheurs interviewés souhaitent utiliser des concepts qui ne sont pas présents dans l'ontologie. Nous envisageons donc la possibilité d'enrichir l'ontologie au cours de la phase de collecte.

Références

  1. Lionel Chauvin, David Genest et Stéphane Loiseau (2009). Ontological Cognitive Map. International Journal on Artificial Intelligence Tools, 18(5):697-716.
  2. Lionel Chauvin (2010). Modèles de cartes cognitives étendues aux notions de contexte et d'échelle. Thèse de doctorat, LERIA, Université d'Angers, France.
  3. Aymeric Le Dorze, Laurent Garcia, David Genest et Stéphane Loiseau. Synthesis of cognitive maps and applications. Proceedings of the 26th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2014), November 10-12, 2014, Limassol, Cyprus, pages 292-298.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *