Mieux utiliser la base de données des programmes

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 simples
Les Films où joue Brad Pitt ?
« 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 :
Expressivité
 RDF
 Langage de base du Web Sémantique
 Langage de définition de graphe
 Ensemble de triplets :
Prédicat
Sujet
Objet
 RDFS
 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
Tennis
Objet
Tennis
Joueur de
Rafael
Nadal
Rafael
Nadal
nationalité
Espagnol
Roland
Garros
Espagnol
A gagné
Roland
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 ?