3.4 Raisonnement contextuel
3.4.2 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)