Learning commonalities in RDF & SPARQL
Sara El Hassad · 2018
La recherche de points communs entre des descriptions de donnees ou de connaissances est un probleme de raisonnement fondamental en Machine Learning, qui a ete formalise par G. Plotkin dans les annees 70s sous la forme du calcul du plus petit generalisant de ces descriptions. L'identification des plus petits generalisants a un large panel d'applications qui vont de l'optimisation de requetes (e.g., pour materialiser les points communs entre des requetes lors de la selection de vues ou pour factoriser leur execution dans un contexte d'acces concurrentiel), a la recommandation dans le contexte des reseaux sociaux (e.g. pour creer de liens entre des utilisateurs basees sur leurs points communs selon leur profil ou leurs recherches). Dans cette these nous avons revisite la notion du plus petit generalisant dans le contexte de Resource Description Framework (RDF) et le fragment conjonctif de son langage de requetes associe SPARQL, alias Basic Graph Pattern (BGP) queries. Contrairement a l'etat de l'art, nous ne considerons aucune restriction, ni structurelle ni semantique, sur les graphes et les requetes. Nos contributions incluent la definition et le calcul des plus petits generalisants dans ces deux formalismes ce qui revient a trouver le plus grand ensemble de points communs entre des bases de donnees incompletes et des requetes conjonctives en presence de contraintes deductives. Nous proposons egalement une evaluation experimentale de nos contributions.