Semantic content negotiation for knowledge exchange between heterogeneous systems
Négociation de contenu sémantique pour l’échange de connaissances entre systèmes hétérogènes
Résumé
The Web provides access to a vast array of interconnected resources. These resources can have multiple representations that reflect their state and vary along one or more dimensions. For this purpose, web agents engage in a negotiation phase to select the most appropriate representation. The profile dimension is the one we focus on, where a profile is a description of the semantic and/or structural constraints of a desired representation.
The objective of this thesis is to advocate for the importance of a fine-grained and flexible content negotiation, considering that content negotiation is not a monolithic process but rather consists of several steps. First, we propose an abstract model for content negotiation that we call **CON-NEG**. Then, we present the improvements we have made to each step of the process: discovering potential representations through equivalence links; specifying more detailed constraints using their severity; relaxing validation; reporting finer validation details; and interpreting the validation report.
Next, we introduce the abstract model S-CON-NEG, an extension for fine-grained and relaxed content negotiation. Finally, we propose a typology of more detailed models for content negotiation in the profile dimension. An instantiation of the abstract model is then presented with experiments to demonstrate the applicability and advantages of our methods. Additionally, we illustrate how to facilitate the interaction of heterogeneous systems by applying our approach to a use case involving multi-agent systems on the Web.
Le Web fournit un accès à un vaste ensemble de ressources interconnectées. Ces ressources peuvent avoir plusieurs représentations qui reflètent leurs état et varient selon une ou plusieur dimensions. Pour cela, les agents web entreprennent une phase de négociation pour sélectionner la plus appropriée. La dimension du profil est celle qui nous intéresse, où un profil est une description des contraintes sémantiques et/ou structurelles d’une représentation souhaitée. L’objectif de cette thèse est de défendre l’intérêt d’une négociation de contenu fine et souple en tenant compte du fait que la négociation de contenu n’est pas un processus monolithique, mais plutôt composé de plusieurs étapes. Tout d’abord, nous proposons un modèle abstrait pour la négociation de contenu que nous appelons CON-NEG. Ensuite, nous présentons les améliorations que nous avons apportées à chaque étape du processus : découverte de représentations potentielles grâce à des liens d’équivalence; indication de contraintes plus fines grâce à leur sévérité; relaxation de la validation; rapport d’une validation plus fine; interprétation du rapport de validation. Ensuite, nous présentons le modèle abstrait S-CON-NEG, une extension pour la négociation fine et relaxée du contenu. Enfin, nous proposons une typologie de modèles plus fins pour la négociation de contenu dans la dimension de profil. Une instanciation du modèle abstrait est ensuite proposée avec des expériences pour démontrer l’applicabilité et les avantages de nos méthodes. Aussi, nous illustrons comment faciliter l’interaction des systèmes hétérogènes en appliquant notre approche à un cas d’utilisation de systèmes multi-agents sur le Web.Dans ce travail, nous nous intéressons à la prédiction du nombre hebdomadaire de patients hospitalisés à partir des urgences d’un seul établissement : le CHU de Saint-Etienne, ces hospitalisations sont donc non-programmées et susceptibles de provoquer une tension sur les services hospitaliers et une désorganisation de la prise en charge des patients. Ces données ont la particularité d’être surdispersées, et sont souvent de distribution binomiale négative, nous proposons ici d’utiliser des modèles INAR adaptés à la loi de distribution de nos données et d’y inclure des variables explicatives exogènes comme la température.Les INAR pour données binomiales négatives arrivent à reproduire la série de données, mais lorsqu’il s’agit de prédiction, les INAR avec variables explicatives se montrent plus performants.