Mesures de similarité pour comparer des épisodes dans

Mesures de similarit´ e pour comparer des ´ episodes dans des traces mod´ elis´ ees
Mesures de similarit´e pour comparer des
´episodes dans des traces mod´elis´ees
Raafat Zarka1,2, Am´ elie Cordier1,3, El¨ od Egyed-Zsigmond1,2,
Luc Lamontagne4, and Alain Mille1,3
1Universit´
e de Lyon, CNRS
2INSA-Lyon, LIRIS, UMR5205, F-69621, France
3Universit´
e Lyon 1, LIRIS, UMR5205, F-69622, France
4Department of Computer Science and Software Engineering, Universit´
e Laval, Qu´ ebec, Canada,
G1K 7P4
[email protected], [email protected],
[email protected], [email protected],
[email protected]
R´ esum´ e: Cet article rend compte d’une mesure de similarit´ e pour comparer des
´
episodes de traces mod´ elis´ ees. Une trace mod´ elis´ ee est un enregistrement structur´ e
d’observations captur´ ees ` a partir des interactions entre des utilisateurs et un syst` eme
informatique. Un ´ episode est une sous-partie de la trace mod´ elis´ ee, d´ ecrivant une
tˆ ache particuli` ere ex´ ecut´ ee par l’utilisateur. Notre m´ ethode propose une adapta-
tion de l’algorithme de Smith-Waterman pour la comparaison d’´ episodes. Cet algo-
rithme est ` a la fois pr´ ecis quant aux s´ equences temporelles qu’il identifie, et tol´ erant
au bruit g´ en´ eralement pr´ esent dans les traces que nous traitons. Nos ´ evaluations
montrent que notre approche offre des r´ esultats tout ` a fait satisfaisants ` a la fois en
qualit´ e et en temps de r´ eponse. Nous illustrons son utilisation dans le cadre d’une
application de recommandation de s´ equences de vid´ eo.
Mots-cl´ es : mesures de similarit´ e, traces mod´ elis´ ees, recommandations, distance
d’´ edition, interaction homme-machine.
1 Introduction
Depuis quelques ann´ ees, nous observons un int´ erˆ et croissant de la com-
munaut´ e pour l’analyse de l’activit´ e des utilisateurs sur le Web. Une des
raisons est qu’en observant l’activit´ e des utilisateurs, il est possible d’en
apprendre beaucoup sur leurs comportements et leurs pr´ ef´ erences. Ces

RJCIA 2013
connaissances apprises permettent ensuite d’am´ eliorer la qualit´ e des ser-
vices qui leurs sont propos´ es.
Nous nous int´ eressons ` a cette question dans le cadre d’une collaboration
avec la soci´ et´ e Villeurbannaise Webcastor 1. Plus particuli` erement, nous
travaillons sur l’application Wanaclip 2. Cette application Web permet ` a des
utilisateurs de composer des clips vid´ eo en compilant des ´ el´ ements audio-
visuels provenant de plusieurs sources. Wanaclip dispose d’un syst` eme de
recommandations int´ egr´ e qui guide les utilisateurs ` a la fois dans le proces-
sus de s´ election des vid´ eos, et dans l’enchaˆ ınement des actions ` a effectuer
pour fabriquer des clips de qualit´ e. Le moteur de recommandations est ali-
ment´ e par des traces d’interactions collect´ ees lors des usages pr´ ec´ edents
de l’application.
Une trace d’interaction est un enregistrement des actions effectu´ ees par
l’utilisateur d’un syst` eme. Nous soutenons que ces traces permettent de
capturer des inscriptions des exp´ eriences des utilisateurs. Les M-Traces
(pour Modeled Traces) diff` erent des logs car elles disposent d’un mod` ele
qui d´ ecrit les ´ el´ ements qu’elles contiennent. Ces ´ el´ ements sont appel´ es ob-
sels (pour observed elements). Une M-Trace contient donc ` a la fois des
obsels temporellement situ´ es et le mod` ele de trace qui caract´ erise ces ob-
sels et leurs relations. Chaque obsel poss` ede au moins un type et deux mar-
queurs temporels (d´ ebut et fin). Les obsels ont un nombre variable d’attri-
buts, et poss` edent des relations avec les autres obsels. Chaque type d’obsel
d´ efinit les types et les valeurs possibles pour les attributs. Une description
d´ etaill´ ee du domaine des M-Traces est disponible dans Settouti (2011).
Un ´ episode est une portion d’une trace mod´ elis´ ee dont la structure
peut ˆ etre complexe. Calculer la similarit´ e entre deux ´ episodes est donc
un probl` eme diff´ erent du probl` eme de calcul de similarit´ e traditionnelle-
ment rencontr´ e en R` aPC, car les mesures de similarit´ e traditionnelles s’ap-
pliquent mal.
Dans cet article, nous nous int´ eressons au probl` eme du calcul de simi-
larit´ e entre deux ´ episodes contenus dans des traces mod´ elis´ ees. Pour cela,
nous d´ efinissons une nouvelle mesure de similarit´ e qui s’appuie sur deux
composants principaux : une mesure de similarit´ e utilis´ ee pour comparer
les obsels ayant une structure potentiellement complexe ; et un algorithme
pour combiner les mesures de similarit´ e entre obsels afin de comparer les
´
episodes. L’algorithme que nous proposons est une adaptation de l’algo-
rithme pr´ esent´ e dans Smith & Waterman (1981). Nous avons impl´ ement´ e
1. www.webcastor.fr
2. www.wanaclip.eu

Mesures de similarit´ e pour comparer des ´ episodes dans des traces mod´ elis´ ees
notre proposition sous forme d’un service Web dans TStore, un syst` eme
de gestion de bases de traces qui permet de stocker, traiter et exploiter les
traces mod´ elis´ ees (Zarka et al. (2013)). Nous avons appliqu´ e notre pro-
position dans le cadre de Wanaclip afin de fournir des recommandations
contextuelles aux utilisateurs.
Ce papier est organis´ e de la fac¸on suivante. La section 2 pr´ esente des tra-
vaux relatifs ` a la probl´ ematique des mesures de similarit´ e dans les donn´ ees
s´ equentielles. Notre proposition de mesure de similarit´ e entre obsels est
pr´ esent´ ee dans la section 3. Dans la section 4, nous d´ ecrivons l’algorithme
de calcul de similarit´ e entre ´ episodes dans des M-Traces. Dans la sec-
tion 5, nous pr´ esentons les exp´ erimentations pour ´ evaluer les performances
de l’approche. La section 6 conclut l’article.
2 Mesures de similarit´ es pour les donn´ ees s´ equentielles
Il existe diff´ erentes approches de comparaison de chaˆ ınes de caract` eres
qui peuvent ˆ etre utilis´ ees pour d´ efinir des mesures de similarit´ e dans les
donn´ ees s´ equentielles.
Une comparaison d´ etaill´ ee de trois des plus importantes classes de me-
sures de similarit´ e (i.e. distance d’´ edition,sac de mots et String kernels) est
propos´ ee dans Rieck (2011). Dans cette section, nous pr´ esentons certaines
de ces mesures et leur usage dans diff´ erents domaines.
2.1 D´ efinir des mesures de similarit´ e
Une des premi` eres approches est la notion de distance d’´ edition entre
des chaˆ ınes de caract` eres propos´ ee par Hamming (1950) et Levenshtein
(1966). Ces mesures proviennent du domaine des t´ el´ ecommunications et
´
etaient principalement utilis´ ees pour la d´ etection des donn´ ees ´ erronn´ ees
dans les transmissions. Elles permettent de calculer la distance d’´ edition
minimum entre deux chaines en utilisant le nombre d’op´ erations d’´ editions
n´ ecessaires pour passer d’une chaine ` a l’autre (insertion, suppression, sub-
stitution). La m´ ethode d´ ecrite dans Needleman & Wunsch (1970) effectue
un alignement global de s´ equences. L’algorithme d´ ecrit dans Smith & Wa-
terman (1981) effectue un alignement local, ce qui est plus pertinent pour
comparer des s´ equences plutˆ ot dissimilaires, qui contiennent probablement
des r´ egions de similarit´ e importantes.
Une autre approche de comparaison repose sur l’utilisation d’espaces de
vecteurs (sac de mots). Cette approche provient des travaux en recherche
d’information et impl´ emente une solution de comparaison de chaˆ ınes de

RJCIA 2013
caract` eres en repr´ esentant des donn´ ees s´ equentielles dans un espace de
vecteurs Salton et al. (1975). Ce concept a ´ et´ e´ etendu ` a la notion de n-
grams pour la comparaison approximative (Damashek (1995)). Un n-gram
est une s´ equence de n´ el´ ements dans une s´ equence de texte donn´ ee. L’ap-
proche ` a base d’espaces de vecteurs est tr` es utilis´ ee pour l’analyse de do-
cuments textuels.
L’approche d’apprentissage ` a base de noyaux est une classe r´ ecente de
mesures de similarit´ e d´ eriv´ ee des mod` eles de probabilit´ e g´ en´ eratifs. Plu-
sieurs noyaux ont ´ et´ e d´ evelopp´ es pour traiter les donn´ ees s´ equentielles.
Ces travaux s’appuient sur les travaux originaux de Watkins (1999) et sont
´
etendus en variantes pour des domaines sp´ ecifiques, tels que les String ker-
nels, tr` es utilis´ es dans les travaux de traitement automatique de la langue
(Lodhi et al. (2002)) et en bio-informatique (Cuturi et al. (2006)).
2.2 Mesures de similarit´ e en raisonnement ` a partir de cas
Dans le domaine du R` aPC, des mesures de similarit´ e pour les s´ equences
complexes ont ´ egalement ´ et´ e d´ evelopp´ ees. L’environnement pour le raison-
nement ` a partir d’´ episodes propos´ e par S` anchez-Marr` eet al. (2005) four-
nit des m´ ecanismes pour repr´ esenter, retrouver et apprendre des ´ episodes
ayant un dimension temporelle. Une mesure de confiance pour l’adaptation
de workflows, qui s’appuie sur un m´ ecanisme d’introspection dans la base
de cas, est propos´ e dans Minor et al. (2012). Le syst` eme CeBeTA (Valls &
Onta˜ n´ on (2012)) combine une mesure de similarit´ e sous forme de distance
d’´ edition avec une approche de r´ eutilisation de routines de transformation
de texte. Cette m´ ethode permet de g´ en´ erer des solutions ` a des probl` emes
de modification de textes. Une structure de cas sp´ ecifique et une distance
associ´ ee ont ´ et´ e propos´ ees dans Montani & Leonardi (2012). Les auteurs
utilisent cette approche pour retrouver des traces similaires ` a la trace cou-
rante. Les auteurs utilisent un graph de distance d’´ edition construit ` a partir
des traces d’ex´ ecution. Cela leur permet de garantir que les actions enre-
gistr´ ees dans les traces correspondent toujours ` a la r´ ealit´ e. Notre approche
s’appuie sur une mesure de similarit´ e entre obsels, mesure qui permet de
comparer leur contenu (dates, utilisateurs, types et valeurs). La plupart de
ces approches permettent une comparaison d’´ el´ ements homog` enes (lettres,
symboles). Dans cet article, nous nous int´ eressons plus particuli` erement ` a
des traces qui contiennent des symboles qui ne sont pas homog` enes, et
sont donc moins faciles ` a comparer. Pour cela, nous proposons une ap-
proche inspir´ ee de l’algorithme de Smith & Waterman (1981), que nous
avons enrichi afin de prendre en compte la complexit´ e des ´ el´ ements que

Mesures de similarit´ e pour comparer des ´ episodes dans des traces mod´ elis´ ees
nous devons comparer. Nous avons choisi cet algorithme car, en l’enrichis-
sant avec notre mesure de similarit´ e entre obsels, il pr´ esente toutes les pro-
pri´ et´ es attendues pour la comparaison d’´ episodes, ` a savoir : le traitement de
donn´ ees s´ equentielles, la tol´ erance aux variations dans les repr´ esentations,
un fort degr´ e de possibilit´ es de personnalisation, et un temps de r´ eponse
satisfaisant pour une utilisation en temps r´ eel.
3 Mesures de similarit´ e entre obsels
Afin de calculer la similarit´ e entre obsels, il est n´ ecessaire de d´ efinir
des mesures de similarit´ e locales entre les types d’obsels, les utilisateurs,
les attributs, et les dates, autant d’´ el´ ements importants dans la composition
d’un obsel.
D´ efinition 1
Soit simobs(o1, o2)une mesure de similarit´ e entre les obsels
o1={c1, Ao1, u1, st1, et1}et o2={c2, Ao2, u2, st2, et2}telle que :
simobs(o1, o2) = α×simobstype(c1, c2) + β×simobsattr(Ao1, Ao2)
+γ×simobsuser(u1, u2) + δ×simobstime(st1, et1, st2, et2)(1)
avec :
–simobstype(c1, c2): similarit´ e entre les types d’obsels,
–simobsattr(Ao1, Ao2): similarit´ e entre les attributs,
–simobsuser(u1, u2): similarit´ e entre les utilisateurs,
–simobstime(st1, et1, st2, et2): similarit´ e temporelle,
–α, β, γ, δ : poids, avec (α+β+γ+δ)=1(normalisation).
La mesure de similarit´ e entre obsels simobs(o1, o2)est une valeur norma-
lis´ ee ∈[0,1] puisque toutes ses mesures composantes (simobstype,simobsattr,
simobsuser,simobstime) sont normalis´ ees et que la somme des poids est
´
egale ` a 1 (α+β+γ+δ) = 1. C’est l’expert qui d´ efinit ces valeurs.
3.1 Similarit´ e entre types d’obsels simobstype(c1, c2)
Deux types d’obsels diff´ erents peuvent ˆ etre consid´ er´ es comme simi-
laires s’ils partagent un certain nombre de propri´ et´ es communes. Par
cons´ equent, nous proposons de d´ efinir une matrice de substitution pour
les types d’obsels Sobstype(|C|×|C|). En bio-informatique et en biologie
´
evolutionnaire, une matrice de substitution d´ ecrit la fac¸on selon laquelle