Apéro Techno

Web sémantique

Romain Maragou - Aliou Sow

Plan :
 Introduction

 Cas d’utilisation chez Canal+

 Mise en œuvre

 Questions ?
 Introduction

 Utilise le web existant

 Ensemble de technologies permettant de :
 Structurer les informations
 Les lier
 Leur ajouter du sens (métadonnée)

 Passer des pages Web à un index hiérarchisé

 Favoriser la compréhension des données par des machines
 Utiliser le langage naturel et avoir une réponse précise
Utilisation chez Canal+
 Contexte d’utilisation chez Canal+

 Base de données Programme

 Canal+ achète de l’information (Plurimédia)
 Informations du programme
 Critiques, notes (Allociné)
 Etc. …

 Ajouter de l’information pertinente aux programmes

 Recherche et recommandations plus précises et plus
pertinentes
 Enrichissement éditorial

Enrichir la base de données des programmes

 Suggérer de l’information supplémentaire sur un programme

pour l’enrichir

 Récupérer des informations (gratuites !) sur d’autres sources

de données

 Problèmes rencontrés :
 Grande quantité d’informations
 Performance d’une requête
 Pertinence de l’information

 Stade expérimental
Exemple enrichissement programme
Exemple enrichissement programme

Contenu
supplémentaire
issu du web
Exemple enrichissement programme

Contenu
supplémentaire
issu du web
Exemple enrichissement programme
Exemple enrichissement programme
 Recommandation et Regroupement de programmes (en cours)

Mieux structurer la base de données des programmes

 Réconciliation de programmes à partir d’un nombre de points

communs après enrichissement

 Enrichir les liens entre les différentes entités

Film / Personnage => acteur joue dans film
metteur en scène dirige film)
 Recherche ciblée (en cours)

Mieux utiliser la base de données des programmes

 Mise en avant de programmes plus précise à partir de la

consommation d’un abonné
 Recherche sémantique pour répondre à des questions assez
Les Films où joue Brad Pitt ?
simples
« filmographie Brad Pitt »
« Brad Pitt Wikipédia »
« Brad Pitt Allociné »
« Brad Pitt joue au poker à Las Vegas »
« etc. »
 Recherche ciblée (en cours)

Mieux utiliser la base de données des programmes

Les Films où joue Brad Pitt ? 

« Seven »
« Inglourious Basterds »
« Fight club »
...
Mise en œuvre
 Technologies utilisées – représentation des données

 Identifiant de Ressource Universelle : URI

 Langages de représentation des données :
 RDF
 Langage de base du Web Sémantique
 Langage de définition de graphe
Expressivité

 Ensemble de triplets : Prédicat

 RDFS Sujet Objet

 Extension de RDF
 Ajoute des concepts de classes, de sous-classes et de type de propriétés
 OWL (ontologie)
 Extension de RDF et RDFS
 Langage de définition des ontologies
 Ajoute des concepts de classes équivalentes, de propriétés équivalentes,
d’égalité ou de différence de ressources, de contraire, de symétrie et
cardinalité.
 Technologies utilisées – règles et interrogations

 Règles d’inférence : RIF

 Langage de requête : SPARQL
 Web Sémantique

Web traditionnel Web sémantique

Annotations typées des liens entre les ressources

sous forme de triplet « Sujet, Prédicat, Objet »

Prédicat
Sujet Objet

Tennis Tennis

Joueur de

Rafael Rafael
Nadal Nadal

nationalité A gagné

Roland Roland
Espagnol Garros Espagnol Garros
Création et peuplement d’une ontologie
avec Protégé
 Protégé

Mieux structurer la base de données des programmes

 Protégé

Mieux structurer la base de données des programmes

 Protégé

Mieux structurer la base de données des programmes

Apache Stanbol
 Outil utilisé : Apache Stanbol

Mieux utiliser la base de données des programmes

 Outil open source, ensemble de services de gestion de contenu

accessible par web services REST (extension CMS)

 Fonctionnalités principales :
 Annotations sémantiques d’information (ajout de métadonnées)
 Extraction de données et liaison à d’autres informations (privées ou
publiques)
 Personnalisation possible avec un vocabulaire personnel (index Solr)
 Moteur de requête SPARQL
 Apache Stanbol – Les différents composants

Mieux utiliser la base de données des programmes

 Apache Stanbol – Les Moteurs et Chaînes d’analyse sémantique

Mieux utiliser la base de données des programmes

 Les Moteurs d’analyse sémantique sont les composants

responsables de « la compréhension » du contenu.
 Tika : permet de convertir le contenu parsé en « text/plain »
 langid : permet de détecter la langue du texte parsé
 Ner : permet d’extraire les entités connues (personnes, organisations, lieux ) du
texte parsé
 dbpediaLinking : permet de lier les entités extraites avec celles définies par
dbpedia.org
 Etc.

 Une Chaîne d’analyse sémantique définit comment le contenu

parsé par le « Enhancer » est traité. Donc quels Moteurs d’analyse
sémantique sont utilisés et dans quel ordre. Il en existe plusieurs
types
 Apache Stanbol – Enrichissement de données

Mieux utiliser la base de données des programmes

Utilise une Chaîne de

Moteurs d’analyse
sémantique pour parser un
contenu textuel, l’enrichit avec
données connues (personnes,
lieues, organisation), propose
des liens pour accéder à ses
sources de données.

 Possibilité de créer et/ou configurer des Chaînes

d’enrichissement
 Apache Stanbol – Utilisation de données locales

Enrichir la base de données des programmes

 Création d’un index Solr à partir d’une ontologie custom ou de

n’importe quelle donnée structurée (exemple dbpedia):

 Un index pour stanbol est constitué de 2 parties:

 org.apache.stanbol.data.site.{nom}-{version}.jar, contenant la configuration
générale de l’index (nom, données et champs indexés, etc.)
 {nom}.solrindex.zip, contenant les données et le schéma de l’index

 Création du moteur d’enrichissement permettant l’utilisation

de cet index, puis intégration dans une chaîne
d’enrichissement
 Mais aussi …

 Classement, hiérarchisation de données (ex: bibliothèque)

 Favorise le travail collaboratif dans un domaine (ex: santé)
 Plus de barrière de la langue (en théorie)
 Structure des bases de connaissances (ex: DBPedia)
 Etc …
Des Questions ?