Les anti-motifs pour l'analyse de grands graphes de connaissances incohérents

Thomas de Groot (1) , Joe Raad (2, 1) , Stefan Schlobach (1)

1 VU - Vrije Universiteit Amsterdam [Amsterdam]
2 LISN - Laboratoire Interdisciplinaire des Sciences du Numérique

Un certain nombre de graphes de connaissances (GC) sur le Web de données contiennent des déclarations contradictoires et sont donc logiquement incohérents. Des méthodes existent pour expliquer une seule contradiction en trouvant ses justifications, qui représente l'ensemble minimal d'axiomes suffisant pour la produire. Dans les grands GC, ces justifications peuvent être fréquentes et peuvent faire référence de manière redondante au même type d'erreur en modélisation. De plus, ces justifications sont par définition dépendantes du domaine, donc difficiles à interpréter ou à comparer. Cet article utilise la notion d'anti-motif (antipattern) pour généraliser ces justifications, et présente une approche pour détecter presque tous les anti-motifs à partir de n'importe quel GC incohérent. Des expériences sur des GC de plus de 28 milliards de faits montrent l'évolutivité de cette approche et les avantages des anti-motifs pour analyser et comparer les erreurs logiques entre différents GC. Cet article a été déjà publié à ESWC 2021.

Keywords: Web des données raisonnement incohérence; Web des données; raisonnement; incohérence

Domains: Artificial Intelligence [cs.AI]

Thomas de Groot, Joe Raad, Stefan Schlobach. Les anti-motifs pour l'analyse de grands graphes de connaissances incohérents. 33es Journées francophones d'Ingénierie des Connaissances, Jun 2022, Saint-Étienne, France. ⟨hal-03940096⟩