Découverte de motifs graduels partiellement ordonnés : application aux données d'expériences scientifiques

Simon Ser (1) , Fatiha Saïs (1) , Maguelonne Teisseire (2)

1 LRI - Laboratoire de Recherche en Informatique
2 UMR TETIS - Territoires, Environnement, Télédétection et Information Spatiale

Les données séquentielles sont aujourd'hui omniprésentes et concernent divers domaines d'application. La fouille de données de séquences permet d'extraire des informations et des connaissances pouvant être à forte va-leur ajoutée. Cependant, lorsque les données de séquences sont riches en don-nées numériques, des méthodes de fouille de données plus fines sont nécessaires pour extraire des connaissances plus expressives représentant la variabilité des valeurs numériques ainsi que leur éventuelle interdépendance. Dans cet article, nous présentons une nouvelle méthode de découverte de séquences graduelles fréquentes représentées par des graphes à partir d'une source de données de sé-quences en RDF (Resource Description Framework 1). Ces dernières sont trans-formées en graphes graduels partiellement ordonnés, gpo. Nous proposons un algorithme permettant de découvrir les sous-graphes gpo fréquents. Une expéri-mentation sur deux jeux de données réelles ont montré la faisabilité et la perti-nence de notre approche.

Domaines: Informatique [cs]; Intelligence artificielle [cs.AI]; Base de données [cs.DB]

Simon Ser, Fatiha Saïs, Maguelonne Teisseire. Découverte de motifs graduels partiellement ordonnés : application aux données d'expériences scientifiques. Extraction et Gestion des Connaissances, EGC 2018, Paris, France, , Jan 2018, Paris, France. ⟨hal-01816828⟩