Le Web sémantique désigne un espace d'échange et de manipulation de grandes sources de données visant à rendre le contenu des pages Web accessibles aux humains et aux agents artificiels. En effet, la recherche d'information dans le Web classique se base essentiellement sur la structure des documents, ce qui rend l'exploitation du contenu quasiment impossible par les machines. A la différence de cela, dans le Web sémantique, les machines accèdent aux ressources grâce à la représentation sémantique du contenu. Cette représentation inclut une formalisation du contenu, permettant d'encoder l'information dans un format lisible par la machine, ainsi que l'ajout de métadonnées sémantiques modélisant l'information disponible. La combinaison des données formalisées et de la couche sémantique donne alors accès à la connaissance et ouvre la voie à un large panel d'applications.
Il est nécessaire d'utiliser un moyen d'échange commun afin de partager l'information entre différentes communautés. Les ontologies sont l'un des modèles de représentation de connaissances les plus avancés. Constituées de concepts liés par des relations, et souvent structurés hiérarchiquement, elles permettent d'organiser des connaissances en fonction du domaine considéré. Au coeur du Web sémantique, elles ajoutent une couche sémantique au Web classique en décrivant les connaissances contenues dans les ressources. Considérées désormais dans ce domaine comme métadonnées de référence, les ontologies, ainsi que leur création et leur développement, font l'objet de nombreux travaux de recherche. En particulier, l'évolution permanente des ressources, nécessite la mise au point de techniques permettant l'évolution des ontologies et leurs mises à jours.
Nous proposons donc dans cet article une approche d'enrichissement d'ontologies basée sur une technique de fouille de données, la recherche de motifs séquentiels à l'aide de l'algorithme Vpsp. Appliquée sur des fichiers logs, cet algorithme permet de mettre en évidence des séquences fréquentes d'accès Web, dans un ordre donné. Notre approche consiste ainsi, à partir de fichiers logs, à extraire des motifs séquentiels qui sont ensuite utilisés afin d'enrichir l'ontologie, en y ajoutant d'une part de nouveaux concepts, d'autre part, les relations sémantiques qui peuvent exister entre eux.
La suite de cet article est organisée de la manière suivante : dans la section 2 nous présentons les étapes de notre approche. La section 3 présente les résultats d'expérimentations conduites sur la mise à jour de l'ontologie du site Web étudié. Nous terminons l'article par une discussion de travaux connexes et une conclusion.
Cette approche est divisée en quatre étapes : 1-Construction d'une ontologie pour le site Web étudié. 2-Prétraitement des fichiers Logs.
3-Application de l'algorithme Vpsp sur le fichier Log. 4-Enrichissement de l'ontologie de base à l'égard des visites des utilisateurs.
Les ontologies sont l'un des modèles de représentation de connaissances les plus avancés. Constituées de concepts liés par des relations, et souvent structurés hiérarchiquement, elles permettent d'organiser des connaissances en fonction du domaine considéré. La construction de l'ontologie peut être effectuée manuellement ou semiautomatiquement. Dans le premier cas, cette tâche est difficile et prend du temps. C'est la raison pour laquelle de nombreuses méthodes et méthodologies ont été conçues pour semi-automatiser ce processus. Les sources de données peuvent être du texte, des données semi-structurées, les données relationnelles, etc. Dans la suite, nous décrivons certaines méthodes dédiées à l'extraction des connaissances à partir des pages Web. L'approche proposée par Navigli et Velardi [9] tente de réduire la confusion conceptuelle et terminologique entre les membres d'une communauté virtuelle. Les concepts et les relations sont tirés d'une série de sites Web en utilisant l'outil Ontolearn. Les principales étapes sont: l'extraction de terminologie à partir des sites Web, interprétation sémantique des termes, et l'identification des relations taxonomiques.
Certaines approches transforment les pages html en une hiérarchie sémantique structurée codées en XML, en tenant compte des régularités HTML [3].
Enfin, on peut aussi remarquer que certaines approches consacrées à la construction de l'ontologie à partir des pages Web sans l'utilisation d'aucune connaissance a priori. L'approche décrite dans [10] est basé sur les étapes suivantes:
(1) extraire des mots clés représentatifs du domaine, (2) trouver une collection de sites Web liés aux anciens mots clé (en utilisant par exemple Google), (3) analyse exhaustive de chaque site, (4) l'analyseur recherche les mots clés initiales dans un site Web et trouve les mots suivants et précédents; ces mots sont candidats à être des concepts, (5) pour chaque concept sélectionné, une analyse statistique est effectuée sur la base du nombre d'occurrences de ce mot dans les sites Web et, finalement, (6) pour chaque concept extrait en utilisant une fenêtre autour du mot clé initial, un nouveau mot clé est défini et l'algorithme réitère récursivement.
Dans [5] une méthode est proposée pour extraire l'ontologie de domaine à partir des sites Web sans l'utilisation de connaissances a priori. Cette approche prend la structure des pages Web en considération et définit une hiérarchie contextuelle. Le prétraitement des données est une étape importante pour définir les termes les plus pertinents pour pouvoir être classés. Des poids sont associés aux termes en fonction de leur position dans cette hiérarchie conceptuelle. Ensuite, ces termes sont automatiquement classés et les concepts sont extraits.
Dans [2] les auteurs définissent une architecture ontologique basée sur un triplet sémantique, à savoir: sémantique du contenu, la structure et les services d'un domaine.
La première étape d'un processus du WUM consiste en un prétraitement des fichiers Log. En effet, le format des fichiers log web est impropre à une analyse directe par les diverses techniques de fouille des données. Leur nettoyage et leur structuration sont donc nécessaires avant toute analyse.
La première étape d'un processus WUM se compose principalement de deux types de taches :
-Tâches classiques de prétraitement : fusion des fichiers logs web, nettoyage et structuration de données. -Tâches avancées de prétraitement : stockage des données structurées dans une base de données, généralisation et agrégation des données.
Fusionner tous les fichiers log dans un seul fichier log afin de pouvoir reconstruire les sessions réalisées à travers plusieurs serveurs Web ;
Nettoyer le fichier log :
-La méthode TRACE est employée pour le débogage. Le serveur renvoie, dans le corps de la réponse, le contenu exact qu'il a reçu du client. Ceci permet de comprendre, en particulier, ce qui se passe lorsque la requête transite par plusieurs serveurs intermédiaires. -La méthode OPTIONS permet de demander au serveur les méthodes autorisées pour le document référencé. Vu que le WUM s'intéresse à l'étude du comportement de l'internaute sur le Web et par conséquent aux ressources qu'il demande, il faut garder seulement les requêtes dont la méthode utilisée est GET.
-Les Scripts. Généralement, le téléchargement d'une page demandée par un utilisateur est accompagné automatiquement par le téléchargement des scripts tels que les scripts Java (fichiers .js), des feuilles de style (fichiers .css), des animations flash (fichier .swf), etc. Ces éléments doivent être supprimés du fichier Log étant donné que leur apparition ne reflète pas le comportement de l'internaute.
La structuration des données consiste à identifier les utilisateurs, les sessions et les visites :
Identification des utilisateurs et des sessions : Une session est composée de l'ensemble de pages visitées par le même utilisateur durant la période d'analyse. Plusieurs moyens d'indentification des utilisateurs ont été proposés dans la littérature (login et mot de passe, cookie, IP), cependant, tous ces moyens présentent des défaillances à cause des systèmes de cache, des firewalls et des serveurs proxy. Dans notre cas, nous considérons que deux requêtes provenant de deux adresse IP différents, appartiennent à deux sessions différentes donc elles sont effectuées par deux utilisateurs différents. Toutefois, nous ne pouvons nier la limite inhérente à cette méthode. En effet, une confusion entre deux utilisateurs différents utilisant la même adresse IP est toujours possible surtout en cas d'utilisation d'un serveur Proxy ou d'un firewall.
Identification des visites : Une visite est composée d'une série de requêtes séquentiellement ordonnées, effectuées pendant la même session et ne présentant pas de rupture de séquence de plus de 30 minutes. L'identification des visites sur le site, est effectuée selon la démarche suivante:
Déterminer la durée de consultation des pages. La durée de consultation d'une page est le temps séparant deux requêtes successives. Si la durée de consultation d'une page dépasse 30 minutes alors la page suivante dans la même session est attribuée à une nouvelle visite.
Une fois les visites identifiées, la durée de consultation de la dernière page de chaque visite est obtenue à partir de la moyenne des temps de consultation des pages précédentes appartenant à la même visite.
Les visites composées d'une seule requête ne sont pas considérées car, d'une part, il n'est pas possible d'estimer la durée d'une seule requête, d'autre part, elles sont éliminées dans la phase de retraitement puisqu'elles ne présentent aucun intérêt pour notre analyse.
Dans cette étape, les données structurées sont enregistrées sous une forme persistante, généralement, dans une base de données. On produit souvent des variables dérivées à partir des premières (requête, utilisateur, session ou visite).
Afin de pouvoir traiter l'information contenue dans la base le plus simplement et le plus efficacement possible, il faut restructurer la base selon le schéma relationnel.
Introduits dans [1] et largement étudiés dans [7], les motifs séquentiels peuvent être vus comme une extension de la notion de règles d'association intégrant diverses contraintes temporelles. La recherche de tels motifs consiste ainsi à extraire des enchaînements d'ensembles d'items, couramment associés sur une période de temps bien spécifiée.
L'algorithme Vpsp [4] est un algorithme de type "générer-élaguer" et combine les avantages principaux des algorithmes PSP [6] et SPADE [13] grâce à une nouvelle structure de données en forme d'arbre préfixée (héritée de PSP) couplée à un chargement de la base de données en représentation verticale. Cette union de structure d'arbre et de transformation de bases de données permet :
1. d'optimiser l'espace mémoire utilisé. La différence principale, distinguant notre structure de celle utilisée dans PSP, provient du fait que la base de données n'est parcourue qu'une seule fois tout au long de l'algorithme permettant l'extraction. Lors de cette unique lecture de la base, le premier étage de l'arbre préfixé est construit. Chaque noeud de profondeur 1, représentant un item de la base de données, garde une trace, pour chaque apparition dans la base, du visiteur et de la date d'apparition correspondante. Ce processus reprend donc la transformation de la base de données opérée dans SPADE, pour la projeter dans l'arbre préfixé.
2. de simplifier l'opération de générations (inutilité des classes d'équivalences). Cet algorithme reprend les fondements de la génération des candidats effectuée dans PSP. Cependant, dans Vpsp lorsqu'un candidat est généré, celui-ci se voit attribué un vecteur d'apparition issu de la base de données qui permet de vérifier plus efficacement le comptage du support.
3. de simplifier le comptage du support. Le comptage des séquences candidates tire profit de la structure de données utilisée par Vpsp. En effet, grâce à la liste d'apparition dont dispose chaque candidat, nous pouvons déterminer efficacement le nombre de visiteurs qui ont participés à l'incrémentation du support.
Pour soutenir la gestion de l'ontologie, nous fournissons des recommandations pour la mise à jour de l'ontologie par les techniques du Web Mining, principalement par le Web Usage Mining. Les mises à jour concernent principalement l'extension de l'ontologie qui ne modifie pas complètement l'ontologie initiale:
1. L'ajout d'une feuille concept dans une hiérarchie.
Le tableau suivant présente les résultats du prétraitement du fichier Log du site collectées pendant la période allant du 24 Mars au 21 Avril 2008. La nouvelle taille de la base (8.28 % de la taille initiale) montre bien l'importance de l'étape du prétraitement des fichiers Log, en particulier la phase du nettoyage. Cette étape a abouti à des fichiers nettoyés et structurés, prêts à l'analyse par l'application des méthodes de fouille des données.
Afin de pouvoir traiter l'information contenue dans la base le plus simplement et le plus efficacement possible, il faut restructurer la base selon le schéma relationnel. http://www.univ-sba.dz/ http://www.univ-sba.dz/fsi/ http://www.univ-sba.dz/fsi/lmd/progr_LMD/S1-S2.htm Support : 0.009715 Ce comportement a un support de 0,9715%. Cela signifie qu'il correspond à 15 utilisateurs du site Web. Ces utilisateurs sont susceptibles d'être intéressées par le programme du nouveau système LMD.
http://www.univ-sba.dz/ http://www.univ-sba.dz/laboratoires.php Support : 0.027202 Ce comportement a un support de 2,7202%. Cela signifie qu'il correspond à 42 utilisateurs du site web. Ces utilisateurs sont susceptibles d'être intéressées par les laboratoires de l'université DJILALI LIABES.
Étape 4 : Mise à jour de l'ontologie L'interprétation des résultats de l'étape précédente nous permet de faire des suggestions en vue d'appuyer la gestion de l'ontologie, et plus précisément d'étendre l'ontologie de base. Après l'étape précédente (extraction des motifs séquentiels), on a trouvé que les internautes ont consultés la page de vice-rectorat (http://www.univ-sba.dz/vrpg) après la page principale du site Web (http://www.univ-sba.dz/). Le concept "Rectorate" n'existe pas dans notre ontologie et pourrait être ajoutée comme le montre la Figure 3. Nous avons également trouvé que plusieurs internaute ont consultés la page du programme LMD (http://www.univ-sba.dz/fsi/lmd/progr_LMD/S1-S2.htm) et aussi la page des cours LMD (http://www.univ-sba.dz/fsi/lmd/courtd.htm). Nous proposons d'ajouter le concept "LMDStudent" sous-concept du concept "UndergraduateStudent".