A semantic metadata enrichment software ecosystem (SMESE) : its prototypes for digital libraries, metadata enrichments and assisted literature reviews

Résumé

Contribution 1 : Un écosystème d’enrichissements sémantiques des métadonnées (SMESE) pour des bibliothèques digitales L'écosystème de logiciels d'enrichissements de métadonnées sémantiques (SMESE V1) proposé dans ce travail de recherche a implémenté une approche d’ingénierie de ligne de produits logiciels (SPLE) utilisant une architecture logicielle basée sur les métadonnées. Cet écosystème est basé sur le moissonnage de métadonnées, l'exploration de textes et de données et les modèles d'apprentissage automatique. SMESE V1 est basé sur un modèle générique de normalisation d'entités, de métadonnées et d'ontologies croisées capables de supporter le moissonnage de tout type de documents et de leurs métadonnées à partir du Web structuré et du Web non structuré ainsi que des données ouvertes et liées. Le design de SMESE V1 inclue un modèle de reconfiguration dynamique basé sur les métadonnées et sur plusieurs thesaurus par domaine d’application. Le modèle proposé définit des règles de traduction ou de moissonnage qui créent des interfaces vers différentes sources de données et métadonnées. Chaque interface vérifie la structure de la source de métadonnées, puis effectue le moissonnage des données et des métadonnées. SMESE V1 propose un modèle de métadonnées avec six catégories de métadonnées au lieu des quatre utilisées actuellement dans la littérature afférente aux bibliothèques digitales. Ce modèle permet de mieux décrire les contenus afin d’accroitre leur utilisabilité. En plus, afin de résoudre la question des degrés de profondeur des métadonnées, le modèle de métadonnées propose décrit les aspects les plus élémentaires d'une entité moissonnée correspondant à une structure de données. SMESE V1 inclue un modèle de mise en correspondance ontologique qui permet d’identifier des segments de texte spécifiques en utilisant des thésaurus pour enrichir les contenus de nouvelles métadonnées reliées à l’identification des sujets et des émotions. Ce modèle de mise en correspondance ontologique permet également l'interopérabilité entre les modèles de métadonnées existants. Contribution 2 : Un écosystème d’enrichissements métadonnées basé sur les sujets et interest La contribution 2 présente une mise en oeuvre améliorée de la version originale de SMESE V1, proposé dans la contribution 1 ; en effet, la contribution 2 propose des enrichissements de contenu basés sur les sujets et les intérêts. Ce prototype amélioré SMESE V3 (voir figure 1) utilise des approches d'analyse de texte pour la détection des sentiments et des émotions. Il crée un référentiel sémantique enrichi de métadonnées qui permettent la recherche et la découverte basées sur les intérêts. Il a été conçu pour trouver de courtes descriptions, en termes de sujets, de sentiments et d'émotions. Il permet un traitement efficace de grandes collections de données tout en préservant les relations sémantiques et statistiques utiles pour des tâches telles que : 1. détection de sujets, 2. classification de contenus, 3. détection de nouveautés, 4. synthèse de textes, 5. détection de similitude. Contribution 3 : Une revue de littérature scientifique assistée La contribution 3 propose un prototype (STELLAR V1- Semantic Topics Ecosystem Learningbased Literature Assisted Review V1) qui permet d’assister les chercheurs dans leurs processus de préparation d’une revue de littérature. Ce prototype de revue de littérature assistée est base sur un écosystème de métadonnées sémantiques. Il permet d’identifier, d’évaluer et de recommander les articles scientifiques pertinents pour une revue de littérature. Le troisième prototype, STELLAR V1, permet itérativement de trouver, d'évaluer et d'annoter les articles pertinents disponibles dans la plateforme SMESE à tout moment. Les éléments et concepts clés utilisés par le prototype STELLAR V1 sont : 1. l’exploration de textes et des données, 2. les modèles d'apprentissage automatique, 3. les modèles de classification, 4. les articles annotés des chercheurs, 5. les métadonnées enrichies sémantiquement. Ce prototype aide à identifier et à recommander les articles pertinents et leur classement lié à un sujet spécifique selon la sélection des chercheurs. La figure suivante présente le modèle, les processus associés et l'écosystème des métadonnées pour aider le chercheur dans la tâche de produire une revue de littérature reliée à un sujet spécifique.

Date	20 juin 2017
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Alain Abran (Directeur(-trice))