Approches déductive/Hybrides (Logiques et Non Logiques)

L’approche hybride combine les deux mécanismes à savoir les méthodes déductives tout en intégrant le calcul de la distance. L’idée est de surmonter les limitations de chacun de ces deux mécanismes. Plusieurs études travaux optent pour cette approche. Cette catégorie utilise les concepts des ontologies ainsi que des règles logiques. Les degrés d’appariement sont déterminés de différentes façons et en fonction de la sémantique des éléments des descriptions à apparier. Il existe principalement trois approches d’appariement : L’idée est de remédier à certaines limites de chacun de ces deux mécanismes grâce à différentes combinaisons hybrides qui réussissent là où chacun de ces deux mécanismes échoue.

[Benatallah et al. 2005] propose une approche hybride basée sur les logiques de des-cription (LD). Le processus de découverte consiste à rechercher la meilleure couverture de la description d’un concept en utilisant une terminologie (ontologie). Pour chaque descrip-tion Q et une terminologie T, il recherche une descripdescrip-tion E, qui couvre la plupart Q par l’utilisation de T. Pour ce faire, l’auteur utilise le travail de Teege qui propose une classe de langues pour lesquelles la différence entre les concepts peuvent être calculés de la même manière que la différence entre les séries au moyen de clauses de descriptions de formulaire. Il choisit un langage de représentation de cette classe de modéliser WS sur lequel il applique ce raisonnement. Pour trouver la meilleure couverture de concept en utilisant une terminologie, l’auteur utilise un algorithme dérivé de la théorie Hyper-Graph. L’algorithme effectue une recherche qui est équivalent à la recherche transversale minimale avec un coût minimal dans un Hypergraphe où les sommets sont l’envers et les bords sont les clauses de requête.

OWLS-MX [Klusch et al. 2006] est une approche hybride de l’appariement de signature des services profiles basée sur le IOPE-matching. Partant d’un appariement entre deux profils

de service spécifiés en OWL-S, le processus d’appariement prend en compte les inputs, les outputs, la catégorie de service et des éléments prédéfinis par l’utilisateur qui comporte quatre tâches : l’appariement des inputs, l’appariement des outputs, et l’appariement de la catégorie du service. L’algorithme calcule dans chaque tâche le degré d’appariement. Une quatrième tâche pendant laquelle des contraintes et des fonctionnalités prédéfinies par l’utilisateur s’ap-pliquent avant que les résultats soient agrégés afin de retourner le résultat final. Le résultat est soit un échec s’il y a échec d’appariement dans l’une des précédentes tâches, soit une valeur numérique (dite RANK ) déterminée par l’agrégation des degrés d’appariements de chaque tâche ,et représentant le rang du service Web apparié dans l’ensemble des services offerts. Pour évaluer l’appariement, les auteurs proposent quatre types de degrés d’appariement avec quelques différences d’interprétation d’un élément du profil à un autre :

— Degrés d’appariement pour les inputs / outputs :

— FAIL : si au moins un input / output requis n’a pas été apparié,

— UNKNOWN : si l’algorithme d’appariement ne peut pas catégoriser un input / output,

— SUBSUMES : si l’input / l’output offert est plus spécifique que l’input / l’output requis,

— EQUIVALENT : en cas d’équivalence entre inputs / outputs. — Degrés d’appariement pour les catégories de service :

— FAIL : si les concepts des catégories de service ne s’apparient pas,

— UNKNOWN : si l’algorithme d’appariement ne peut pas catégoriser l’un des ser-vices,

— SUBSUMES : si le service offert est plus spécifique que le service requis, — EQUIVALENT : en cas d’équivalence entre catégories de service.

OWLS-MX3 adopte la notion d’appariement sur la base de quatre filtres de ses prédécesseurs OWLS-MX2 et les OWLS-MX1, et applique quatre autres textes de similarité. Il calcule les scores numériques pour les similarités structurelles entre concepts. L’agrégation pondérée optimale basé sur le SVM pour les décisions de pertinence en utilisant une base logique de classificateur. OWLS-MX3 a été développé par Matthias Klusch et Patrick Kapahnke (DFKI, Allemagne).

Dans la FC-Match (fonctionnelle Comparaison), les concepts de services et de requête pour être appariés sont présentés dans OWL-DL (Web Ontology Language logiques de des-cription). Les concepts utilisés pour décrire un service fournissent des informations sur les éléments : Catégorie, fonctionnement, entrée et sortie. Cette approche opte également pour un appariement sémantique déductif et une correspondance algébrique basée sur le calcul de la similarité syntaxique. Le calcul de la correspondance de la valeur totale est réalisé en additionnant le résultat de la mise en correspondance basée sur des concepts subsomption logique entre le service et la demande de recherche et la valeur du coefficient de la similarité syntaxique.

Le matchmaker Opossum [Kuster et al. 2008] est un matchmaker sémantique hybride qui combine un appariement sémantique non logique et logique sur les concepts d’entrées et sorties du service. Le score numérique de l’appariement basé sur le calcul de similarité logique des concepts qui est combiné avec les valeurs structurels du plus court chemin (distance) entre les concepts ainsi que de leur profondeur (moy. De la profondeur de l’ontologie) pour

le classement ultérieur. Opossum a été développé par Eran Toch (CMU, USA), Avigdor Gal, Dov Dori (Technion, Israël) et Iris Reinhartz-Berger (Université de Haïfa, Israël).

Le matchmaker OWLS-SLRlite [Meditskos & Bassiliades 2010] est similaire à celui de XSSD mais il calcule les scores de correspondance non-logiques sur les annotations des concepts d’E/S agrégées avec les distances entre cs concepts dans les ontologies de services respectifs. OWLS-SLR a été mis au point par Georgios Meditskos et Nick Bassiliades (U Thessalonique, Grèce) et a réalisé un relativement faible précision moyenne.

Le matchmaker SeMa2 [Masuch et al. 2012] (le successeur de JIAC-OWLSM) effectue une sélection de service basé sur le profil complet. Le calcul sémantique hybride se base sur les signatures sur des E / S en combinant la correspondance des relations de subsomption repré-sentés par un score numérique fixe et simple avec le degré de similitude des noms de concept basé sur les chaines de caractères. Le classement par pertinence de valeurs est déterminé par l’agrégation pondérée linéaire des scores des deux types de correspondance. L’appariement logique de base sur la comparaison structurelle des pré-conditions et effets en SWRL, à tra-vers leurs relations de confinement d’instance. SeMa2 a été développé par Nils Masuch (TU Berlin, Allemagne) et atteint une précision moyenne raisonnablement élevé.

ISEM [Klusch & Kapahnke 2012] est un matchmaker sémantique hybride et adaptative qui améliore de manière significative OWL-MX3 en adoptant des filtres supplémentaires basé sur la non-logique et sur la cohérence-probante de la formation donnée défini lors de l’ap-prentissage en off-line.

Le matchmaker XSSD [Li 2013] effectue une découverte hybride de la signature séman-tique basée sur le calcul logique des E/S en se basant sur la relation de subsomption et en complément il calcule la similitude des descriptions de tags de service. Le tri des services est effectué en fonction de leur pertinence et déterminé par le degré de correspondance basé sur la logique suivie du degré de similitude textuelle. XSSD a été développé par Jing Li et Dongjie Chu (U Beihang, Chine) et a réalisé une bonne précision moyenne.

La variante adaptative du marieur OWLS-iMatcher, les OWLS-iMatcher2, apprend en off-line et à l’avance les similarités textuelles a appliquée à des paires de signatures de ser-vices sémantiques dont chacun est représenté comme un vecteur de mot-clé pondéré. OWLS-iMatcher2 effectue également une sélection hybride sémantique dans le sens où il calcule les similitudes de texte naturel sur la base des dédoublements des annotations de concepts respectives dans les ontologies partagées.

3.2.3 Discussion

L’inconvénient majeur des approches d’appariement non logiques est qu’elles relèvent toujours des problèmes linguistiques, terminologiques ou statistiques induisant une fausse in-terprétation de la syntaxe ceci est dû par le manque de richesse sémantique des services. Mais face à l’évolution des moyens d’expression de la sémantique des services, certaines approches choisissent souvent de doper leurs techniques par quelques mécanismes logiques d’apparie-ment et elles finissent, ainsi, par proposer des solutions hybrides offrant des meilleurs résultats dans les cas où la syntaxe ne suffit pas. Par contre, les approches logiques possèdent plusieurs inconvénients, la complexité élevée du raisonnement affaiblit les chances de scalabilité, en outre les raisonneurs logiques ont un faible rappel (beaucoup de faux négatifs), puisque la

subsomption ne couvre pas tous liens sémantiques, et en dernier nous constatons que la majo-rité des services web actuels ne sont pas annotés avec des langages logiques formels. D’autres part, nous constatons que la présence des descriptions informelles ou la sémantique implicite (la fréquence des termes) au niveau des services, peut être efficace dans la découverte, en plus la complexité du matching est moins élevée que celles des approches logiques. En général, ces techniques utilisent le matching de graphes, la linguistique, le data mining, les techniques de recherche d’information, et les mesures de similarité.

La majorité des approches de découverte cité en haut propose à l’utilisateur d’exprimer sa requête en utilisant un service requête exprimé en OWL-S. La approches autour de l’état de l’art de la découverte et d’appariement de services a démontré que la majorité des méthodes se basé sur l’appariement des services profils se référant à des éléments purement syntaxiques engendrant un temps relatif pour l’appariement du service requête avec les services profils disponibles sachant que Le matchmaking du process délivre un nombre égale ou supérieur des services pertinents par rapport aux service profil (comme le montre la figure3.3).

Figure 3.3 – Découverte profil vs Process [^{Stoilos et al. 2007]}

Ainsi, le besoin pour l’utilisateur d’une description de sa requête totalement indépendante de tout langage de service est nécessaire. Les solutions exactes bien qu’efficaces, se sont montrées très couteuses en termes de complexité et de temps d’exécution dans les systèmes à large échelle. Ainsi, il faut migrer vers d’autres techniques qui permettent un calcul rapide liés à la problématique de la composition des services web.