FONTO : Une nouvelle méthode de la fuzzification d'ontologies

HAL Id: hal-01467163

https://hal.archives-ouvertes.fr/hal-01467163

Submitted on 14 Feb 2017

HAL is a multi-disciplinary open access

archive for the deposit and dissemination of

sci-entific research documents, whether they are

pub-lished or not. The documents may come from

teaching and research institutions in France or

abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est

destinée au dépôt et à la diffusion de documents

scientifiques de niveau recherche, publiés ou non,

émanant des établissements d’enseignement et de

recherche français ou étrangers, des laboratoires

publics ou privés.

d’ontologies

Houda Akremi, Sami Zghal, Vianney Jouhet, Gayo Diallo

To cite this version:

Houda Akremi, Sami Zghal, Vianney Jouhet, Gayo Diallo. FONTO : Une nouvelle méthode de la

fuzzification d’ontologies. 6ièmes Journées Francophone sur les Ontologies, Gayo Diallo, Okba Kazar,

Fleur Mougin, Oct 2016, Bordeaux, France. �hal-01467163�

fuzzification d’ontologies

Houda AKREMI

_{Sami ZGHAL}

_,

_{Vianney JOUHET}

Gayo DIALLO

1 _{Université de Tunis El Manar, Faculté des Sciences de Tunis, LIPAH-LR 11ES14}

Campus Universitaire El Manar, 2092 Tunis, Tunisie, houda.akremi@gmail.com

2 _{Université de Jendouba, Faculté des Sciences Juridiques, Économiques et de}

Ges-tion de Jendouba, Département informatique

Campus Universitaire de Jendouba, Avenue de l’UMA 8198 Jendouba, Tunisie, sami.zghal@fsjegj.rnu.tn

3 _{Université de Bordeaux - ERIAS, Centre INSERM U1219}

146 rue Leo Saignat, 33076 Bordeaux, France,

Vianney.Jouhet@isped.u-bordeaux2.fr gayo.diallo@u-bordeaux.fr

RÉSUMÉ.Dans cet article, nous proposons une nouvelle méthode de fuzzification d’ontologies ca-pable d’analyser l’imperfection des données. En général, les constituants d’une ontologie sont, comme toutes les données du monde réel, caractérisés par l’imprécision et l’incertitude. Ces imperfections d’ontologies sont le résultat d’une description linguistique vague et imprécise, fournies par les experts. Elles sont réparties en deux catégories: l’incertitude et l’imprécision. Ainsi, l’objectif du travail dans cet article est de décrire notre approche de fuzzification d’on-tologies qui modélise ces deux aspects. Elle a été appliquée dans la fuzzification d’ond’on-tologies dans le domaine biomédical.

ABSTRACT. In this paper, we propose a new method of ontologies fuzzification able to analyzing data imperfection. In general, the constituents of an ontology are, as all data from the real world, characterized by aspects of inaccuracies and uncertainties. These imperfections of on-tologies are the result of a vague and imprecise linguistic description, provided by experts. They are broken down into two categories: the uncertainty, and the imprecision. Thus, the objective of the work in this article is to describe our approach to ontology fuzzification that models these two aspects. It has been applied in the ontologies fuzzification.

MOTS-CLÉS :Ontologie classique,logique flou, ontologie floue, Fuzzification d’ontologies.

KEYWORDS:Classical ontology, fuzzy logic, fuzzy ontology,fuzzification of ontologies.

1. Introduction

Le progrès des technologies a donné la voie pour la constitution d’un Web Sé-mantique (Berners-Lee et al., 2001). Il s’agit d’arriver à un Web "intelligent" où les informations ne sont plus stockées mais aussi "comprises" par les machines. En effet, les ontologies du Web Sémantique permettent de décrire la structure et la sémantique des données contenues dans un document. Elles assurent l’organisation des informa-tions sous la forme d’une taxonomie de concepts et de relainforma-tions entre ces derniers (Chandrasekaran et al., 1999). Dans le cas où les documents sont décrits ou anno-tés par l’intermédiaire d’ontologies, les machines et en particulier les agents logiciels peuvent interpréter leur sémantique. Cette interprétation localise et intègre les données pour diverses applications (Gruber, 2009). Cependant, les ontologies du Web Séman-tique sont basées sur une logique exacte et ne fournissent pas les moyens nécessaires pour exprimer les imperfections. Pour palier à ces problèmes, un champ de recherche propose que la tolérance de l’incertitude se fasse par les systèmes flous (Thomas et Sheth, 2006). Ainsi, la prise en charge des imperfections a déclenché la naissance des ontologies floues. Elles présentent un nouvel axe de recherche prometteur. Nous pro-posons dans cet article une nouvelle approche de fuzzification qui s’appuie sur une ressource lexicale pour identifier les entités candidates à fuzzifier.

Le reste de cet article est organisé comme suit. La section 2 introduit les notions de théorie des sous ensembles flous et des fonctions d’appartenances d’un sous ensemble flou. La section 3 propose une étude comparative entre les ontologies classiques et les ontologies floues. La section 4 est réservée à la présentation des méthodes de fuzzifi-cation d’ontologies. La section 5 est consacrée à la description détaillée de la méthode proposée. La section 6 présente une étude expérimentale. La section 7 conclut le pa-pier et présente quelques perspectives pour les travaux futurs.

2. Théorie des sous ensembles flous

Les sous ensembles flous sont utilisés pour modéliser l’incertitude et l’impréci-sion. L’incertitude permet de traduire le degré de conformité de l’information à la réalité. L’imprécision permet de traduire le manque d’exactitude de la connaissance. Ainsi, les notions de la théorie des sous ensembles flous et de logique floue ont été introduits par Zadeh (Zadeh., 1976). L’idée est de pouvoir manipuler des informations exprimées en langage naturel. Cette théorie introduit la notion de fonction d’appar-tenance pour déterminer le degré d’appard’appar-tenance d’un élément à un sous ensemble donné. Un sous ensemble flou est défini par ses variables linguistiques et sa fonction d’appartenance. En effet, une fonction d’appartenance µAd’un sous ensemble flou A est une fonction qui associe à chaque élément x de l’univers de discours son degré d’appartenance µA(x) appartenant a l’intervalle [0, 1]. Ainsi, un sous ensemble flou est présenté comme suit : A = {(x, µA(x)), x ∈ X, µA: X → [0, 1]}. De ce fait, plu-sieurs types des fonctions d’appartenance sont proposés dans la littérature. Ainsi, les fonctions d’appartenance les plus communément utilisées sont : la fonction triangu-laire, la fonction trapézoïdale, la fonction monotone croissante, la fonction monotone

décroissante et la fonction Gaussienne. Une fonction d’appartenance triangulaire est définie par une valeur basse a, une valeur modale m et une valeur haute b. Elle est définie comme suit :

µA(x) =    0, si x ≤ a ou x ≥ b x−a m−a, si a < x ≤ m b−x b−m, si m<x<b.

Une fonction d’appartenance trapézoïdale est définie par une valeur basse a, une valeur haute d et deux valeurs b et c qui représentent les limites de son noyau. La formule de la fonction d’appartenance trapézoïdale est représentée comme suit :

µT(x) =        0, si x ≤ a ou x ≥ d x−a b−a, si a < x < b 1, si b ≤ x ≤ c d−x d−c, si c < x < d.

Une fonction monotone croissante est définie par deux paramètres a et b. Elle est définie par la formule suivante :

µD(x) =    0, si x ≤ a x−a b−a, si a < x < b 1, si x ≥ b.

Une fonction d’appartenance monotone décroissante est définie par deux para-mètres a et b. La formule de la fonction d’appartenance monotone décroissante est représentée comme suit :

µD(x) =    1, si x ≤ a b−x b−a, si a < x < b 0, si x ≥ b.

Une fonction Gaussienne est définie par sa valeur modale m et par une valeur k > 0. Elle atteint 1 uniquement pour la valeur modale m. La formule associée à la fonction d’appartenance Gaussienne est définie comme suit : µG(x) = e−k(x−m)

2

. Les variables linguistiques désignent les termes utilisés lors de la description d’une situation, d’un phénomène, ou d’un procédé, tels que la vitesse, la température, l’âge, etc. Les valeurs des variables linguistiques sont la traduction linguistique des divers états de ces dernières. Par exemple, "Faible", "Moyenne" et "Elevée" sont des valeurs de la variable linguistique "Vitesse". Ainsi, une variable linguistique est définie par un triplet (V, X, Tv) (Zadeh., 1976) où : V est la variable (exemple : Température, Vitesse, Taille, etc.). X est le domaine de variation de V (exemple : gamme de tempé-rature varie entre 0◦C à 200◦C). Tvest le vocabulaire choisi pour décrire de manière symbolique les valeurs de V (exemple : peu élevée, moyenne, élevée, etc.). Différentes

extensions floues de logiques de description sont proposées dans la littérature. Ces ex-tensions floues diffèrent dans la sémantique associée aux différents constructeurs ainsi que la logique utilisée pour la définition des connectifs : conjonction ⊗, disjonction ⊕, implication ⇒ et négation (Baader et al., 2008). Deux logiques sont généralement utilisées : celles de Zadeh (Zadeh., 1976) et Lukasiewicz (Lukasiewicz, 1970).

3. Ontologie classique et Ontologie floue

Actuellement, il est convenablement perçu que les ontologies «classiques» ne sont pas appropriées pour faire face à la connaissance imprécise et vague, qui est inhérente à plusieurs domaines du monde réel. De ce fait, l’application de la théorie des sous en-sembles flous et la logique floue est la solution naturelle pour résoudre ces problèmes. En effet, la définition d’une ontologie «floue» se base sur l’application de la théorie des sous ensembles flous dans les ontologies précises dans l’objectif de représenter les incertitudes. En outre, (Zhai et al., 2008) essayent de définir les ontologies floues en se basant sur l’application de la logique floue, sans distinction entre composants précis et composants flous. Cependant, (Straccia, 2001) se limite à définir un composant flou à partir des instances. Ainsi, (Ghorbel H., 2010) essayent de définir un composant flou en se basant sur l’intégration de l’incertitude et de l’imprécision à la définition d’un composant précis. De ce fait, une comparaison entre les éléments d’une ontologie classique et les éléments d’une ontologie floue est proposée par la suite.

Une ontologie classique, dite précise, est une spécification d’une conceptualisa-tion. En effet, elle est une énumération des concepts précis et des relations exactes. D’une manière formelle, une ontologie organise la connaissance du domaine en termes de concepts, de relations entre ces derniers, de propriétés, et d’axiomes. Une ontolo-gie est définie (Gruber, 2009) formellement comme 4-uplet O = (C, P, R, A). C est un ensemble de concepts définis pour le domaine. Un concept est souvent considéré comme une classe dans une ontologie. P est un ensemble de propriétés de concepts. Une propriété p ∈ P est définie comme une relation ternaire de la forme p(c, v, f ), où c ∈ C est un concept, v est une valeur de propriété associée à c, et f définit des facettes de restriction sur v. R = {r|r ⊆ C × C × Rt} est un ensemble de relations entre les concepts de C. Rt= {1 − 1, 1 − n, et n − n} est l’ensemble des types de relation. A est un ensemble d’axiomes. Un axiome est un fait réel ou une règle d’inférence toujours valide.

L’ontologie floue est créée comme une extension de l’ontologie précise. Elle est définie par le quadruplet OF = (C, PF, RF, AF) (Zhai et al., 2008). C est un en-semble de concepts. Chaque concept possède des propriétés dont les valeurs sont des concepts flous ou des ensembles flous. PF est un ensemble de propriétés floues. Une propriété pF ∈ PFest définie comme un 5-uplet de la forme pF(c, vF, qF, f, U ) (Zhai et al., 2008), où c ∈ C est un concept, vF, représente des valeurs de propriété, qF les qualificatifs linguistiques qui peuvent contrôler ou changer la force d’une propriété de valeur vF, f rassemble les facettes de restriction sur vF et U est l’univers de dis-cours. RFest un ensemble de relations d’inter-concepts (entre les concepts). Comme

les propriétés du concept flou, rF ∈ RF est défini comme un 5-uplet de la forme rF(c1, c2, t, sF, U ) ou c1, c2 ∈ C sont des concepts d’ontologie, t représente le type de relation, U est l’univers de discours et sF les forces de relation de modèles. Une occurrence de sFest un concept flou sur U , pouvant représenter la force d’association entre les paires du concept < c1, c2 >. AF est un ensemble de règles floues. Dans un système flou, l’ensemble des règles floues est utilisé comme une base de connais-sances.

4. Méthodes de fuzzification d’ontologies

La tâche de fuzzification est un processus de transformation d’ontologie précise O = (C, P, R, A) en une ontologie OF = (C, PF, RF, AF) dans le but de modéliser les formes d’incertitude. Dans la littérature, il existe des nombreuses approches de fuzzification d’ontologies. Certaines de ces méthodes permettent la construction d’une ontologie floue pour un domaine spécifique (Zekri et al., 2015). D’autres méthodes sont incorporées dans des méthodes de fuzzification d’ontologies (Maalej et al., 2010) et (Quan et al., 2004).

AlzFuzzyOnto (Zekri et al., 2015) est une ontologie floue spécifique pour la Ma-ladie d’Alzheimer (MA). Les auteurs de l’ontologie AlzFuzzyOnto ont utlisé l’onto-logie Mind (Sanchez et al., 2011), pour le processus de construction de l’ontol’onto-logie AlzFuzzyOnto. Les concepts de l’ontologie Mind sont utilisés comme une ontologie noyau du domaine. Ainsi, à l’aide des experts du domaine, les points d’incertitude présents dans chaque concept et chaque relation de l’ontologie sont analysés. En effet, l’ontologie AlzFuzzyOnto permet de générer les concepts flous pour représenter les informations et les données floues (Zekri et al., 2015).

FuzzyOntoMethodology est une méthode de conception et de développement d’ontologies précises et floues (Maalej et al., 2010). En effet, cette méthode permet de définir des dictionnaires de concepts précis et flous à partir du corpus de don-nées sémantiques floues. Ainsi, cette méthode permet d’assister l’ontologiste dans la construction d’ontologies floues. Les étapes de cette méthode sont inspirées de la méthodologie de conception d’ontologies précises, METHODOLOGY (Corcho et al., 2003).

FOGA (Fuzzy Ontology Generation FrAmework) est une méthode de fuzzifica-tion d’ontologie (Quan et al., 2004). FOGA est une méthode de générafuzzifica-tion d’onto-logies floues. En effet, cette méthode analyse les composants d’ontologie floue déjà définis. Ensuite, elle procède à une structuration de ces composants en appliquant la théorie des sous ensembles flous (Quan et al., 2004).

Dans la littérature il n’existe pas une méthode standard pour encoder le flou dans les ontologies. Les approches, qui viennent d’être citées ne garantissent pas l’enco-dage du flou dans les ontologies. De ce fait, cette insuffisance amène vers la nécessité de proposer une nouvelle approche qui comble ces lacunes. La méthode proposée consiste à fuzzifier une ontologie en assurant l’application de la théorie des sous

en-sembles flous d’une manière automatique. La qualité de fuzzification de cette méthode est appréciée selon les trois critères. Le premier critère permet la prise en charge des connaissances imprécises et vagues à l’aide de valeurs seuils représentant les diffé-rentes modalités possibles. Le deuxième critère assure la modélisation des connais-sances quantitatives. Le troisième critère codifie les connaisconnais-sances mal définies. Ces contraintes ont tracé les principales lignes directrices de la nouvelle approche de fuz-zification proposée. En effet, fuzzifier une ontologie consiste à modéliser un ensemble de concepts flous afin de lui appliquer la théorie des sous ensembles flous. De ce fait, une stratégie de traitement automatique du langage est adoptée lors de la phase de fuzzification. Cette stratégie garantit un degré élevé d’automatisme de l’approche proposée.

5. Méthode FONTO

La méthode de fuzzification proposée est intitulée FONTO (Fuzzy for ONTOlogy). Elle est composée de trois phases successives, à savoir : l’extraction des concepts flous, la détermination des classes floues de l’ontologie et le calcul des degrés d’ap-partenance. La figure 1 présente les différentes étapes de cette méthode.

5.1. Extraction des concepts flous

La méthode FONTO s’appuie sur les concepts flous issus de l’ontologie, qui repré-sentent les connaissances incertaines. En effet, la définition d’un concept flou est basée sur les variables linguistiques (exemple : température) et ces valeurs floues (exemple "Faible", "Moyenne" et "Elevée"). En outre, les concepts flous sont définies comme des concepts qui présentent l’incertitude dans l’ontologie floue. Afin de résumer la définition des concepts flous, il s’avère important de mentionner que ces concepts sont introduits par des adjectifs et des adverbes (exemple : Température Normale). Ainsi l’objectif de cette étape est d’identifier automatiquement les concepts flous. Pour ce faire, la base lexicale WordNet1 est exploitée. En effet, l’analyseur du lan-gage WordNet regroupe en ensembles des synonymes (synsets) : les noms, les verbes, les adjectifs et les adverbes. En fait, les synsets, plus précisément les adjectifs et les adverbes, sont générés pour identifier les concepts flous. L’algorithme de la détermi-nation des concepts flous prend en entrée l’ensemble des concepts de l’ontologie à fuzzifier C = {c1, c2, ..., cn}. A chaque itération l’algorithme vérifie l’existence du concept flou dans le corpus WordNet (Miller, 1995) noté W NF. En fait, ce dernier mentionne les Adjectifs et les Adverbes, qui sont les concepts flous. L’algorithme s’ar-rête lorsqu’il n’y a plus des concepts à traiter. Il donne en sortie la liste des concepts flous.

5.2. Détermination des classes floues de l’ontologie

Un sous ensemble flou est défini par l’expression analytique de sa fonction d’ap-partenance (Zadeh, 1999). En effet, pour présenter les concepts flous de l’ontologie à fuzzifier l’identification des fonctions d’appartenances s’avère nécessaire. En outre, les fonctions d’appartenance les plus utilisées sont : la fonction triangulaire, la fonc-tion trapézoïdale, la foncfonc-tion monotone croissante et la foncfonc-tion monotone décrois-sante. Par exemple, le concept "Température Normale" est défini à l’aide d’une fonc-tion d’appartenance définie sur l’attribut "Degré". Ainsi, "Température Normale" est une Température qui possède une degré Normale. Le terme Degré est un attri-but flou qui possède comme valeur possible le terme linguistique Normale. En effet, une fonction d’appartenance, de type triangulaire, est associée à la valeur linguistique Normale. La figure 2 présente la fonction d’appartenance du concept flou Température Normale. De ce fait, le langage Fuzzy-OWL proposé par (Calegari S., 2007) est utilisé pour l’annotation du concept flou Température Normale. Ce dernier est enrichi avec la balise «fuzzyOwl». Le tableau 1 illustre la fuzzification du concept flou "Température Normale". Dans cette phase, la fuzzification du concept «Température Normale» est présentée. En effet, ce concept est identifié comme une classe floue selon la variable linguistique «Degré».

Figure 2 – Partition floue de l’attribut "Degré".

<fuzzyOwl :Thing rdf :ID= “Température Normale” > <fuzzyOwl :Thing rdf :about=“ # Température Normale ”> <rdf :type rdf :resource=“#Normale” >

<  fuzzyOwl :Thing>

Tableau 1 – Fuzzification de concept Température Normale.

5.3. Calcul des degrés d’appartenance

Selon (Zadeh, 1999) la déclaration de la théorie des sous ensembles flous se base sur la définition des fonctions d’appartenance pour les concepts flous. En effet, les fonctions d’appartenances sont associées à des valeurs numériques. Ces valeurs re-présentent un intervalle flou qui fait référence à une fonction d’appartenance. Ainsi cette fonction permet de définir le degré de vérité d’un concept flou par rapport à son univers du discours. Pour ce faire, les formules de calcul des fonctions d’appartenance sont utilisées. Par conséquent, le concept flou «Température Normale» est défini avec la fonction associée à la variable linguistique «Normale» (figure 2). Ainsi, le degré d’appartenance de concept est présenté par la fonction d’appartenance trapézoïdale suivante : µT(Degr : 20, 30, 35, 37) =        0, si degré ≤ 20 ou degré≥ 37 degr−20 30−20 , si 20 <degré< 30 1, si 30 ≤ degr ≤ 35 d−degr 37−35, si 35 < degré < 37.

Par exemple si un patient a comme température 28 C◦. Le patient possède une «Température Normale» avec un degré d’appartenance de 0.8, calculé selon la formule

d’appartenance de type trapézoïdale suivante : µT(30) = 20 < degré < 30 =⇒ 28−20

30−20 = 0.8.

6. Expérimentation

Le diagnostic médical est un champ fréquent des connaissances imprécises et vagues, encore appelées connaissances floues ou connaissances mal définies (Bouchon-Meunier, 2007). En effet, pour exprimer la performance de notre méthode, nous avons proposé la modélisation de l’incertitude dans le domaine médical (Akremi et al., 2016). En particulier, nous travaillons le problème de fuzzification d’une ontolo-gie médicale sur la rhumatoloontolo-gie, Rhumato2dans un souci de modéliser les connais-sances floues. L’ontologie Rhumato présente une analyse fine de la maladie «Poly-arthrite Rhumatoïde (PR)». Ainsi, la poly«Poly-arthrite est une maladie inflammatoire qui touche les articulations. La PR survient généralement chez les personnes âgées de 40 à 60 ans et a une nette prédilection pour les femmes. En effet, l’ontologie Rhumato présente 468 Concepts, 2427 Axioms, 19 Propriétés et 8 Individus. Les concepts sont représentés en logique de description (LD) (Baader et al., 2002). La figure 3 pré-sente un extrait de l’ontologie Rhumato. Cependant, Il existe dans la PR de nombreux concepts qui constituent une source d’imprécision et d’incertitude, que ce soit au ni-veau de diagnostic ou au nini-veau de la prise en charge. En effet, les connaissances défi-nies au niveau de cette ontologie présente un champ fréquent des données floues. Pour remédier à ce problème, FONTO est appliqué avec l’ontologie Rhumato. Comme première étape les concepts flous de l’ontologie floue Rhumato sont identifiés. Les concepts de l’ontologie Rhumato (48 concepts) sont identifiés. La deuxième étape est la détermination des classes floues de l’ontologie Rhumato. En passant à cette étape les fonctions floues de l’ontologie Rhumato sont déterminées. De ce fait, une fonc-tion d’appartenance est sélecfonc-tionnée pour les concepts flous de l’ontologie Rhumato. Ainsi, nous avons précisé pour chaque concept flou le type de sa fonction d’apparte-nance et la liste des valeurs de sa variable linguistique. Ces valeurs sont utilisées pour le calcul des degrés d’appartenance. Le tableau 2 illustre la fuzzification du concept flou "CRPNormal" de l’ontologie Rhumato. La troisième étape est le calcul des degrés d’appartenance de l’ontologie Rhumato. Pendant cette étape le degré d’appartenance est calculé entre les concepts flous et les instances de l’ontologie Rhumato. En effet, nous avons pris l’exemple de deux bilans rhumato, appelé respectivement bilan 1 et bilan 2. Ces deux bilans détaillent les analyses des deux patients de la maladie « PR ». En effet, les analyses de la maladie «PR» sont : NumérationGlobulaire, FormuleSan-guine, NumérationPlaquettaire, VitesseSédimentation et CRP - Protéine C réactive. Le tableau 3 illustre, le calcul de degré d’appartenance du bilan 1 et bilan 2 par rap-port au CRPNormal.

2. Ontologie de domaine pour le cas d’usage du projet RAVEL (Thiessard et al., 2012) sur la polyarthrite rhumatoïde

Figure 3 – Ontologie Rhumato.

Rhumato-ontology#CRPNormal –> <rdfs :Datatype

rdf :about="&Rhumato-ontology ;CRPNormal"> ...

<Rhumato-ontology :fuzzyLabel> <fuzzyOwl2 fuzzyType="datatype"> <Datatype type="rightshoulder" a="6" b="12" /> </fuzzyOwl2>

</Rhumato-ontology :fuzzyLabel> </rdfs :Datatype>

Tableau 2 – Fuzzification du concept "CRPNormal".

7. Conclusion

Le présent travail présente une nouvelle méthode de fuzzification d’ontologie mé-dicale. Cette méthode s’appuie sur la théorie des sous ensembles flous. Notre méthode permet d’effectuer la modélisation des connaissances imprécises et vagues. Ainsi, nous avons examiné la performance de notre système par la fuzzification d’une onto-logie médicale. Plusieurs perspectives sont envisagées à ce travail. Ces perspectives se résument en trois axes. Le premier axe consiste en l’intégration des informations utiles des patients lors de la fuzzification d’ontologies. En effet, les informations utiles pour le diagnostic (comme par exemple l’historique du patient, l’âge, etc.) sont nécessaires. Ces informations sont contenues dans le dossier médical de ce dernier. Pour cela, il faut réaliser une méthode qui garantisse l’interprétation des termes provenant du dos-sier patient. Le deuxième axe consiste à réaliser une démarche d’apprentissage auto-matique. En effet, le problème à aborder est de savoir comment attribuer une valeur floue à une entité de l’ontologie. Dans notre cas, les possibilités sont fournies à l’expert

Bilan 1 Bilan 2 NameConcept CRPNormal CRPNormal TypeFunction rightshoulder rightshoulder

Formule 0 1

Value 4.1 26.0

FinalValue 0.0 1.0

ValueA 6.0 6.0

ValueB 12.0 12.0

Tableau 3 – Calcul des degrés d’appartenance du bilan1 et bilan2.

pour définir les concepts flous, ou les fonctions d’appartenance. Par conséquent, nous nous proposerons d’appliquer l’apprentissage automatique lors de la phase d’analyse d’ontologie. Ainsi, l’apprentissage automatique permet d’abandonner l’étape d’ana-lyse d’ontologie par l’expert. Le troisième axe à résoudre est de pouvoir aligner les ontologies floues. En effet, nous cherchons à résoudre le problème d’hétérogénéité entre deux ontologies (de type floue ou classique), couvrant le même domaine mé-dical. Le processus d’alignement flou d’ontologies permet de déterminer un jeu de paires d’entités, appartenant aux deux ontologies (floues et classiques). Ainsi, l’objec-tif de cette étape est de développer une méthode d’alignement capable d’idenl’objec-tifier les correspondances de tous les éléments ontologiques (flous et classiques) à aligner.

8. Bibliographie

Akremi H., Zghal S., Diallo G., « Modeling of Uncertainty : Fuzzification of Medical Onto-logy », Proceedings of the 6th International Conference on Web Intelligence, Mining and Semantics WIMS 2016, p. 32 :1-32 :4, 2016.

Baader F., Horrocks I., Sattler U., « Description Logics for the Semantic Web », KI – Künstliche Intelligenz, 2002.

Baader F., Horrocks I., Sattler U., « Description Logics », in F. van Harmelen, V. Lifschitz, B. Porter (eds), Handbook of Knowledge Representation, Elsevier, chapter 3, p. 135-180, 2008.

Berners-Lee T., Hendler J., Lassila O., « The semantic Web », Scientific American, 2001. Bouchon-Meunier B., « Introduction », La logique floue 4th ed., In Presses Universitaires de

France - PUF (Ed.), Paris : Presses Universitaires de France, p. 3 - 59, 2007.

Calegari S. C. D., « Fuzzy Ontology, Fuzzy Description Logics and Fuzzy-OWL », in P. of the 7th international workshop on Fuzzy Logic, Applications (eds), Applications of Fuzzy Sets Theory, Springer Berlin Heidelberg, Camogli, Italy, p. 118 - 126, 2007.

Chandrasekaran B., Josephson J., Benjamins V., « What are ontologies, and why do we need Them ? », IEEE Intelligent Systems, vol. 14, no 1, p. 20 - 26, 1999.

Corcho O., Fernández-López M., Gómez-Pérez A., « Methodologies, Tools and Languages for Building Ontologies : Where is Their Meeting Point ? », Data Knowl. Eng., vol. 46, no 1, p. 41-64, July, 2003.

Ghorbel H. Bahri A. B. R., « Fuzzy ontologies model for semantic web », The Second Interna-tional Conférence on Information and Knowledge Management, eKNow, Maorten, Nether-lands Antilles, 2010.

Gruber T., « Ontology », Encyclopedia of Database Systems, p. 1963-1965, 2009.

Lukasiewicz J., « A numerical interpretation of the theory of proposisiton (Polish) », Ruch Fi-lozoficzny 7, North Holland - Amesterdam, p. 129-130, 1970.

Maalej S., Ghorbel H., Bahri A., Bouaziz R., « Construction des composants ontologiques flous à partir de corpus de données sémantiques floues », Actes de la conférence Inforsid’2010, Marseille, France, p. 361–376, 2010.

Miller G. A., « WordNet : A Lexical Database for English », Commun. ACM, vol. 38, no 11, p. 39-41, 1995.

Quan T., Hui S., Cao T., « FOGA : A Fuzzy Ontology Generation Framework for Scholarly Semantic Web », Proceedings of the 2004 Knowledge Discovery and Ontologies Workshop (KDO’04), Pisa, Italy, 2004.

Sanchez E., Toro C., Carrasco E., Bonachela P., Parra C., Bueno G., Guijarro F., « A Knowledge-based Clinical Decision Support System for the diagnosis of Alzheimer Disease », 2011 IEEE, IEEE, Columbia, Missouri, USA, p. 355-361, 2011.

Straccia U., « Reasoning with fuzzy description logics », Journal of Artificial Intelligence, vol. 14, p. 137 - 166, 2001.

Thiessard F., Mougin F., Diallo G., Jouhet V., Cossin S., Garcelon N., Campillo-Gimenez B., Jouini W., Grosjean J., Massari P., Griffon N., Dupuch M., Tayalati F., Dugas E., Balvet A., Grabar N., Pereira S., Frandji B., Darmoni S. J., Cuggia M., « RAVEL : Retrieval And Visualization in ELectronic health records », Quality of Life through Quality of Information - Proceedings of MIE2012, The XXIVth International Congress of the European Federation for Medical Informatics, Pisa, Italy, August 26-29, 2012, p. 194-198, 2012.

Thomas C., Sheth A., « On the expressiveness of the languages for the Semantic Web — Making a case for “A little more », Fuzzy Logic and the Semantic Web, Capturing Intelligence, Elsevier, p. 3-20, 2006.

Zadeh. L. A., « A fuzzy-algorithmic approach to the definition of complex or imprecise concepts », Intl. J. Man-Machine Studies, vol. 8, no 3, p. 249 - 291, 1976.

Zadeh L. A., « Fuzzy sets as a basis for a theory of possibility », Fuzzy Sets Syst., vol. 100, p. 9-34, 1999.

Zekri F., Turki E., Bouaziz R., « AlzFuzzyOnto : Une ontologie floue pour l’aide à la décision dans le domaine de la maladie d’Alzheimer », Actes du XXXIIIème Congrès INFORSID, Biarritz, France, May 26-29, 2015, p. 83-98, 2015.

Zhai J., Liang Y., Jiang J., Yu Y., « Fuzzy Ontology Models Based on Fuzzy Linguistic Variable for Knowledge Management and Information Retrieval. », Intelligent Information Proces-sing, vol. 288 of IFIP Advances in Information and Communication Technology, Springer, p. 58-67, 2008.