Le projet Dbpedia

Wikipedia est devenue l'une des sources de connaissances centrales de l'humanité et est maintenue par des milliers de contributeurs. Les articles de Wikipedia sont principalement composés de texte en langage naturel, mais contiennent également différents types

d’informations structurées, telles que les modèles infobox, les informations de catégorisation,

les images, les coordonnées géographiques et les liens vers des pages Web externes.

Le projet DBpedia (Bizer et al. 2009) extrait divers types d’informations structurées issues

des éditions Wikipedia dans plusieurs langues via un framework d’extraction open source. Il

combine toutes ces informations dans une base de connaissances multilingue multi-domaine. Pour chaque page de Wikipedia, un identificateur de ressource uniforme (URI) est créé dans DBpedia pour identifier une entité ou un concept décrit par la page Wikipedia correspondante. Au cours du processus d'extraction, les informations structurées provenant du wiki telles que les champs infobox, les catégories et les liens de page sont extraites en tant que triplets RDF et ajoutées à la base de connaissances en tant que propriétés de l'URI correspondant.

Chapitre 3 : TAL et WS .

4.2.1. L’ontologie Dbpedia

L'ontologie DBpedia organise les connaissances sur Wikipedia en 320 classes qui forment une hiérarchie de subsomption et sont décrites par 1650 propriétés différentes. DBpedia gagne sa publicité grâce à un grand nombre de ressources et de jeux de données qui lui sont associés, et qui forment les données ouvertes liées (LOD). La version de DBpedia disponible au

moment de la rédaction de cette thèse est la version de DBpedia d’octobre 2016. La version anglaise de la base de connaissances DBpedia décrit actuellement 6,6 millions d’entités, dont

4,9 millions de résumés, 1,9 millions de coordonnées géographiques et 1,7 millions de représentations. Au total, 5,5 millions de ressources sont classées dans une ontologie cohérente, soit 1,5 millions de personnes, 840000 places, 496000 œuvres (dont 139000 albums de musique, 111000 films et 21000 jeux vidéo), 286000 entreprises et 55000 établissements d'enseignement, 306 milles espèces, 58 milles plantes et 6000 maladies. Le nombre total de ressources en anglais DBpedia est de 18 millions. Outre les ressources est de 6,6 millions, il comprend 1,7 millions de concepts (catégories), 7,7 millions de pages de redirection, 269 pages de désambiguïsation et 1,7 million de nœuds intermédiaires (DBpedia 2018).

L'alignement entre les infoboxes de Wikipedia et l'ontologie se fait via des mappages fournis par la communauté. Ces mappages permettent de normaliser la variation de nom dans les propriétés et les classes. Les hétérogénéités du système d'infoboxe de Wikipedia, comme l'utilisation de différentes infoboxes pour le même type d'entité (classe) ou l'utilisation de noms de propriété différents pour la même propriété, peuvent être obtenues de cette manière. Par exemple, «date of birth» et «birth date» sont tous deux mappés sur la même propriété birthDate et les infoboxes «Infobox Person» et «Infobox FoundingPerson» ont été mappées par la communauté DBpedia vers la classe Person. Les mappages DBpedia existent actuellement pour 23 langues. Ce qui signifie que d’autres propriétés infobox, telles que «data de nascimento», «Geburtstag», «دﻼﯿﻤﻟا ﺦﯾرﺎﺗ» - date de naissance dans le portugais, l'allemand et l’arabe, respectivement, sont également associées à la date de naissance de l'identifiant

global. Cela signifie que les informations de toutes les versions linguistiques de DBpedia peuvent être fusionnées. Les bases de connaissances pour les langues les plus petites peuvent donc être enrichies de connaissances provenant de sources plus importantes, telles que l'édition anglaise. À l'inverse, les éditions DBpedia les plus importantes peuvent bénéficier de connaissances plus spécialisées issues des éditions localisées (Tacchini et al. 2009).

4.2.2. Le chapitre Arabe de Dbpedia

Wikipedia est considéré comme un environnement de collaboration, de création, d'édition et de publication de contenus provenant de divers contributeurs dans le monde entier (Auer and Lehmann 2007). Wikipedia représente ses données dans un format simple appelé texte wiki, simple à modifier et à éditer. En plus de ça, il peut décrire à la fois le contenu structuré et non structuré. Le modèle est considéré comme un moyen de représentation des articles dans Wikipedia. L'article Wikipedia commence généralement par un court paragraphe décrivant le sujet. Un exemple célèbre de gabarit dans Wikipedia est une infobox qui est une boîte formatée recueillant les principaux points dans l'article de Wikipedia et qui est placée derrière le bref résumé de la page.

Chapitre 3 : TAL et WS .

Listing 6. Template de Mappage pour infobox pays « ﺪﻠﺑ تﺎﻣﻮﻠﻌﻣ »

Il est considéré comme l'élément d'information le plus important de Wikipédia extrait de DBpedia. Au-delà de l’infobox produit, il existe une syntaxe décrivant les fonctionnalités apparaissant à l'utilisateur dans l'infobox. Infobox se compose de paires qui représentent le nom de l'attribut et sa valeur. Tous les attributs n'ont pas de valeurs, et cela peut revenir à plusieurs raisons, dont l'une est liée à l'indisponibilité de la valeur de l'attribut pour l'auteur de la base de données Wikipedia qui peut ne pas être le même auteur de l'article.

Dans l'édition arabe de Wikipedia, l'infobox est placée en haut à gauche de la page Wikipedia, à l'opposé de l'édition anglaise. Les attributs peuvent être écrits en arabe ou en anglais, mais il est préférable qu’ils soient écrits en arabe, leurs valeurs d'attribut doivent être écrites en arabe. DBpedia utilise des noms d'article pour créer des identificateurs. Ces noms sont extraits de l'URL de l'article Wikipedia via http://ar.wikipedia.org/wiki/Name et l'URI de cette ressource dans DBpedia est devenu http://ar.dbpedia.org/resource/Name.

Il existe deux méthodes d’extraction, généralement utilisées dans DBpedia, décrites en

détail dans (Bizer et al. 2009). Elles sont l'extraction d’Infobox générique et l'extraction

d’Infobox basée sur le mappage. Dans l'extraction d’Infobox générique, tous les attributs et

leurs valeurs dans les infoboxes de Wikipedia sont extraits dans l'article suivant : l'article sera le sujet, l'attribut infobox concaténé avec l'espace de noms de http://dbpedia.org/propenty/ sera un prédicat, tandis que la valeur de l'attribut infobox dans Wikipedia est considérée comme un objet.

D'autre part, l'extraction d’infobox basée sur le mappage est utilisée pour couvrir les lacunes de la première méthode et elle dépend de la mise en correspondance des modèles Wikipedia avec une ontologie créée pour collecter les propriétés les plus courantes utilisées dans Wikipedia.

Chapitre 3 : TAL et WS .

5.

Conclusion

Dans ce chapitre, nous avons discuté le Web sémantique et la langue arabe. L'évolution du Web depuis sa création a connu un succès sans précédent. Il est devenu la technologie informatique la plus utilisée au quotidien. La prochaine génération sera le Web sémantique qui est actuellement en plain évolution, la langue arabe doit intégrer cette technologie pour garder son existence dans le monde numérique.Le chapitre DBpedia est un projet prometteur dans lequel la plus grande encyclopédie numérique est liée à une ontologie universelle. Le chapitre arabe est le chapitre le plus récent ajouté à DBpedia ; notre langue arabe a besoin

d’un effort énorme pour être à jours avec les technologies Web et informatique, actuelles et

Chapitre 4 : Etat de l’art sur les SQR .