4.5 Simplification de l’arborescence
4.5.2 S’éloigner des arbres binaires
Maintenant que notre système est capable de nettoyer les branches dégradées, il nous reste un dernier point à régler pour obtenir une solution générant des taxonomies. Avec ce que nous avons vu jusqu’à présent, nous obtenons nécessairement des arbres binaires, sauf pour le tout dernier niveau de la hiérarchie, si la règle de couverture en tête a joué. Or, notre finalité n’est pas de proposer un algorithme distribué de classification hiérarchique, auquel cas celui présenté suffirait, mais d’obtenir une taxonomie dynamique. Comme cette dernière ne sera que rarement un arbre binaire, il faut donc ajouter un critère supplémentaire permettant d’effectuer des regroupements et ainsi obtenir des nœuds n-aires.
Comme nous l’avons vu à la section 4.3, la forme de la hiérarchie est influencée par les regroupements effectués. Il nous paraît donc possible de s’éloigner des arbres binaires en modifiant la stratégie de vote des agents. En effet, c’est la façon dont a voté un agent qui conditionne dans quelle partition il se trouve et si son parent est capable de faire des parti- tions parmi ses agents fils. Pour rappel, si nous reprenons la dernière étape de l’algorithme, une fois que les groupes ont été constitués, nous obtenons la figure 4.12.
Ak−1 Ak An A2 A1 P P’ ... ... Relation parent/enfant
Figure 4.12 — Classification, partitions constituées
Par construction, le groupe sous l’agent P0 est constitué des agents les plus dissimi- laires du groupe situé sous P et qui sont le moins dissimilaires entre eux. Donc, si on note sim(A, B)la mesure de similitude entre deux agents A et B, les agents doivent vérifier la
4.5. Simpli cation de l'arborescence
propriété suivante dans toute la hiérarchie :
∀i∈ [k; n],∀j∈ [k; n] \ {i},∀l∈ [1; k−1]: sim(Ai, Aj) >sim(Ai, Al) (4.3)
Le profil binaire de la hiérarchie provient du fait que les agents cherchent à être éloignés dans des groupes différents dès qu’il y a une dissimilarité. Un moyen simple d’éviter cette découpe binaire est donc d’introduire une tolérance ε. Ainsi la propriété à vérifier devient :
∀i∈ [k; n],∀j∈ [k; n] \ {i},∀l∈ [1; k−1]: sim(Ai, Aj) >sim(Ai, Al) +ε (4.4)
Pour cela, nous avons réajusté la stratégie de vote des agents. Ils prennent toujours part à un vote Condorcet. Toutefois au lieu d’exprimer un classement total de leurs préférences, ils expriment un classement partiel tenant compte de la tolérance. Ainsi, un agent A, après avoir classé ses frères Fk par ordre décroissant de dissimilarité, ne conservera dans son vote
que les Fk pour lesquels 1−sim(A, Fk) >ε.
À présent, nous disposons donc d’un outil qui influence le facteur de branchement de la taxonomie. Il peut être utilisé de deux façons différentes, soit en fixant un ε global au système, soit en fixant un εApour chaque agent A du système. Ce choix a des implications
sur le type de résultat obtenu :
– soit la tolérance est fixée globalement ; auquel cas tous les agents l’utilisent, ainsi, bien que l’arbre soit n-aire, le facteur de branchement pourra varier fortement suivant la zone de la hiérarchie où l’on se trouve (certains groupes pouvant présenter moins de dissimilarités que d’autres) ;
– soit la tolérance est ajustée localement ; dans ce cas, chaque agent manipule deux va- leurs de tolérances différentes : la première provient de son parent, utilisée lors des votes (par exemple, pour voter P0 utilise εP), et la seconde est sa tolérance propre qui
lui permet d’influencer le facteur de branchement.
Nous avons retenu cette dernière option. En effet, il paraît plus parlant du point de vue de l’ontologue de donner au système un intervalle pour le facteur de branchement glo- bal et de voir les agents réajuster les tolérances locales pour essayer de s’y conformer en fonction des dissimilarités avec leur voisinage. Cela implique que la tolérance n’est plus une constante pour les agents. Nous avons ainsi dégagé une nouvelle règle permettant de prendre en compte des variations de tolérance :
Règle 4. Quand un agent P0 a un de ses fils (notés Ak) qui ne respecte plus la propriété sur la tolérance εP0, alors P0 propose à ses fils d’avoir son parent P comme nouveau parent.
Lorsqu’elle s’applique, cette règle permet à P d’effectuer une nouvelle répartition. À noter qu’il n’y a pas de risque d’oscillation5puisque lors de la création du nouveau niveau intermédiaire, le remplaçant de P0aura initialement εP0 =εP.
À présent, nous sommes capables de prendre en compte la tolérance durant la classi- fication et de la faire varier localement. Il nous reste à la lier au facteur de branchement. Nous n’avons pas réussi à dégager une fonction permettant de corréler la tolérance locale
5P crée P0qui disparait à cause d’un seuil de tolérance plus faible que celui appliqué par P, puis le processus recommence.
Dynamo : système multi-agent pour les ontologies dynamiques
et le facteur de branchement local dans notre système. Ce problème a été toutefois résolu par l’introduction d’une dernière règle poussant chacun des agents à rechercher la tolérance optimale pour obtenir un facteur de branchement dans l’intervalle spécifié par l’utilisateur :
Règle 5. Quand un agent P0 a un nombre de fils trop élevé (respectivement, trop faible), il abaisse (respectivement, augmente) sa tolérance εP0.
Nous remarquerons que cette nouvelle valeur de εP0sera utilisée par P0 pour vérifier si ses fils sont conformes à la propriété sur la tolérance, et par les fils de P0 lors des prochains votes.
4.6
Bilan
Dans ce chapitre, nous avons successivement présenté la structure globale de Dynamo, la structure interne de nos agents, ainsi que l’ensemble des règles utilisées par les agents afin de mener à bien la tâche de construction d’ontologies. Cette structuration en règles s’est initialement basée sur des considérations de classification puis a ensuite été complétée pour tenir compte de critères de coopération supplémentaires. Ainsi notre corpus de règles est complet du point de vue des modifications organisationnelles possibles :
– les règles de l’algorithme de classification forcent les agents à descendre dans la hié- rarchie et à se différencier ;
– les règles de couverture en tête poussent les agents concernés à descendre ;
– les règles de tolérance sur la similitude permettant d’obtenir des arbres n-aires obligent les agents à remonter et à simplifier la structure par aggrégation ;
– les règles de simplification de branche et d’inutilité poussent les agents à remonter. À présent, il nous faut évaluer les performances de Dynamo ainsi que son utilisation ; il s’agit de l’objet du chapitre suivant.
Troisième partie
Expérimentations et Analyses
5
Evaluation du système
« [Il] ajouta lentement et distinctement : Il y a une chance sur un million, mais ça peut marcher quand même ! »
Terry Pratchett – Au guet !
L
E chapitre précédent a décrit le système Dynamo. Nous y avons tout d’abord donné un point de vue macroscopique indiquant ses grandes composantes, puis elles ont été détaillées progressivement en expliquant la structure interne des agents qui le compose, à l’aide des travaux présentés au chapitre 3, pour ensuite rendre compte de l’ensemble des règles décrivant le comportement des agents.Ce chapitre a pour objet l’évaluation de Dynamo. Il convient de bien caractériser ses forces et ses faiblesses. Ainsi, nous allons adopter la démarche inverse du chapitre 4. Nous allons dans un premier temps nous intéresser à analyser son comportement dans le détail pour dans un deuxième temps évaluer son comportement macroscopique.
Ce chapitre est structuré autour de deux grandes sections. La section 5.1 présente les résultats des expérimentations conduites afin d’évaluer la complexité du système avec des données réelles (la qualité du résultat en sortie n’y est pas abordée). Cette section est structu- rée conformément aux sections 4.3, 4.4 et 4.5 du chapitre précédent. En revanche, la section 5.2 propose une vision globale de l’utilisation du système dans une application ayant pour but la construction d’une taxonomie complète. Cette expérience permet d’évaluer la capacité du système à produire une taxonomie en coopération avec l’utilisateur.
5.1
Performances du système
Dans chaque sous-section, nous abordons l’évaluation des performances d’une partie des règles du système. Comme nous l’avons vu au chapitre précédent, nous disposons de plusieurs sous-ensembles de règles qui se complètent. C’est la raison pour laquelle nous menons initialement notre réflexion avec le cœur des règles constituant notre algorithme distribué de classification pour le compléter au fur et à mesure avec des dispositifs supplé- mentaires et évaluer leur impact en performances [Ottens et Aussenac-Gilles, 2007; Ottens et al., 2007].
Evaluation du système
Nous évaluons les performances de chaque ensemble de règles selon plusieurs points de vue lorsque cela est possible. Pour les règles permettant de tels calculs, nous avons dé- terminé la complexité théorique de l’algorithme résultant. De plus, nous avons conduit un ensemble de mesures expérimentales chaque fois que cela était possible. Dans le cadre de ces expérimentations, nous avons utilisé des jeux de données de différentes tailles issues d’un corpus de comptes-rendus de réanimation chirurgicale (corpus REACHIR, dont des extraits sont disponibles en annexe à la section A.1).