Modèles de raisonnement contextuel

Le raisonnement contextuel a pu être classé en différentes catégories [SDO18] en

fonc-tion de l’approche choisie. Ainsi, selon [Per+14], il existe des modèles utilisant des approches

basées sur :

— la logique floue [HMP12 ; Hag+04 ; PLZ08] ;

— la logique probabiliste [KRW09 ; LL05 ; Zha+09] ;

— les ontologies [Chi13 ; Gyr15 ; PB14], pouvant être combinées à l’usage de règles [BDG11 ;

Gyr15 ; Per+13] ;

— l’apprentissage supervisé [BCR09 ; KK10 ; POC11] ;

— l’apprentissage non supervisé [LL05 ; SJ08 ; VAL01].

3.4.2.1 Logique floue.

La logique floue est différente de la logique traditionnelle où tout est représenté par des

valeurs de véritévrai, f aux[SDO18]. En effet, dans la logique floue, une véritépartielle

déter-minée à l’aide de probabilités est également possible. De cette manière, la représentation du

monde réel à travers la logique floue est plus réaliste que l’utilisation de la logique dite

tradition-nelle. L’un des principaux intérêts d’utiliser la logique floue est la personnalisation. Par exemple,

[HMP12] propose un modèle basé sur la logique floue pour la représentation des préférences

contextuelles d’utilisateurs. Leur objectif est principalement de déterminer les préférences les

plus pertinentes afin de personnaliser la requête de l’utilisateur en fonction des informations

contextuelles disponibles.

Il est à noter que les techniques de raisonnement en logique floue sont fréquemment

utili-sées avec d’autres techniques de raisonnement notamment le raisonnement ontologique,

pro-babiliste et basé sur des règles.

3.4.2.2 Logique probabiliste

Avec cette technique, les décisions sont basées sur le calcul de probabilités d’événements

et de faits [SDO18] où différentes données issues de différents capteurs sont ainsi combinées

à une logique probabiliste. Les modèles de Dempster-Shafer [Wu+02] et de Markov cachés

[SDO18] sont notamment utilisés comme raisonnement probabiliste pour prédire le prochain

événement, reconnaître les activités et prévoir les incertitudes. Le modèle deDempster-Shafer

utilise le croisement de données de plusieurs capteurs pour calculer la probabilité

d’événe-ments. Les modèles deMarkov cachésquant à eux fournissent une vision du prochain état en

utilisant l’état courant mesuré.

Plus précisément, les modèles deMarkov cachés sont des réseaux bayésiens dynamiques

basés sur un modèle de Markov statistique [SDO18] (modèle mathématique probabiliste qui

définit les états futurs en fonction de l’état courant). Par exemple [ME12] utilise des modèles

de Markov Cachésen se basant sur les traces de connexions Wi-Fi, afin d’estimer les

trajec-toires des utilisateurs dans la ville. Ces trajectrajec-toires peuvent à ce titre être considérées comme

du contexte pertinent à prendre en considération dans des applications réelles comme entre

autres les systèmes de recommandation.

3.4.2.3 Les ontologies et l’usage de règles.

La logique basée sur une ontologie dépend de la logique de description [SDO18]. De ce

fait, le raisonnement peut être réalisé avec des données modélisées ontologiquement. Il existe

3.4. Raisonnement contextuel

des langages de web sémantiques tels queRDF,RDFSetOWL, qui sont utilisés pour

implé-menter un raisonnement basé sur une ontologie. Ces langages peuvent être combinés avec la

modélisation d’ontologies, ce qui donne un certain avantage [SDO18]. Par exemple [SCD15]

ont défini une ontologie de réseau de capteurs sémantiques pour les maisons intelligentes et

ont mis en œuvre un simulateur de réseau de capteurs sémantiques pour la domotique.

Cependant, le principal inconvénient du raisonnement basé sur des ontologies est qu’il

reste incapable de fournir les valeurs manquantes (en cas de parcimonie) et de détecter

d’éven-tuelles ambiguïtés [SDO18]. De ce fait, il devient nécessaire de le combiner avec un

raisonne-ment basé sur des règles. Avec le raisonneraisonne-ment basé sur les règles, le contexte raisonné

peut être acquis avec une structure de type If-Else [SDO18]. Par exemple, il devient possible

d’utiliser les préférences utilisateur et la détection d’événements, modélisés avec des règles à

utiliser dans les applications de l’Internet des Objets[BDG11].

3.4.2.4 L’apprentissage supervisé.

En apprentissage supervisé, les données sont tout d’abord collectées puis étiquetées afin

de pouvoir effectuer la phase d’entraînement. Ensuite, différentes techniques et algorithmes

sont élaborés en fonction des résultats attendus et appliqués à toutes les données disponibles.

Réseaux de neurones. Parmi les techniques d’apprentissage supervisé, on peut citer les

réseaux de neurones qui sont utilisés dans le raisonnement contextuel pour mettre en exergue

des modèles complexes existant entre des entrées (données captées) et des sorties

(résul-tats, actions observés) [SDO18]. Par exemple [SME14] ont utilisé des capteurs desmartphone

(accéléromètre, gyroscope, GPS, magnétomètre et température) pour améliorer la navigation

personnelle sur téléphone mobile (UX) via l’utilisation de réseaux de neurones pour la partie

apprentissage du système.

Réseaux bayésiens. Une autre technique employée est celle des réseaux bayésiens dans le

cadre d’un raisonnement probabiliste. Par exemple, les classificateurs bayésiens ont déjà été

utilisés dans le domaines de la santé p. ex., surveillance et classification du taux de respiration,

nombre de pas [Jat+08].

Arbres de décision. Il est également possible d’utiliser des arbres de décision pour de la

classification de données. Par exemple, dans [EPC08], les activités humaines (marcher,

cou-rir, s’asseoir, etc.) sont déterminées à l’aide de réseaux de capteurs portatifs (accéléromètre,

podomètre, etc.) et de systèmes embarqués.

SVM. Enfin, les techniques de SVM (Machines à Vecteurs de Support) peuvent aussi être

utilisées. Par exemple [Kha+14] a proposé une méthode permettant de classer les données de

streaming émanant de différents objets connectés en utilisant entre autres une technique de

3.4.2.5 L’apprentissage non supervisé.

Le but de l’apprentissage non supervisé est de regrouper (partitionner) des données non

étiquetées [SDO18]. Les résultats sont retournés généralement plus rapidement qu’avec une

approche d’apprentissage supervisé. En outre, avec l’apprentissage non supervisé, un grand

volume de données hétérogènes est divisé en plusieurs sous ensembles homogènes plus

fa-ciles à interpréter et à gérer. Il existe différentes approches d’apprentissage non supervisé

parmi lesquelles : les réseaux de neurones non supervisés, l’apprentissage de règles

d’asso-ciation, et le partitionnement (clustering).

Clustering. Le partitionnement (clustering) est utilisée pour extraire des résultats significatifs

à partir de données non étiquetées comme c’est le cas pour la méthode de partitionnement

des k plus proche voisins. Il existe différents algorithmes de clustering dans les techniques

d’apprentissage non supervisées. Parmi ces techniques on peut citer l’algorithme dek-means

[Kan+02 ; MRF03], lefuzzy-clustering [Pha01],DBSCAN (clustering spatial) [Maj+13], ou

en-core l’algorithme OPTICS [Ank+99]. Le k-means est l’un des algorithmes de classification le

plus fréquemment utilisé. Il fournit la distance minimale entre des données similaires et la

dif-férence maximale entre les clusters.

Apprentissage de règles d’association. Il est aussi possible d’utiliser une méthode

d’ap-prentissage de règles d’association. Le but de cette méthode est de trouver des relations

(associations) intéressantes entre les variables. Pour se faire il existe différents algorithmes

d’apprentissage de règles d’association, tels queapriori [GL12],eclat [Lun+17] et FP-growth

[HGN00].

Réseaux de neurones. Il existe également la technique deKSOM (Kohonen Self-Organization

Map) [Van01] (c.-à-d., technique de réseau neuronal non supervisé) utilisée pour la

classifi-cation des données réelles dans le cadre d’appliclassifi-cations sensibles au contexte, telles que la

détection de bruit et de valeurs aberrantes [Per+14].

3.4.3 Le géo-partitionnement (geo-clustering) : un exemple de raisonnement

Dans le document Recommandation contextuelle de services : application à la recommandation d'évènements culturels dans la ville intelligente (Page 116-119)