Sous-sections
Mots clés : ràpc, indexation de cas,
approche neuronale, efficacité, recherche de cas,
apprentissage, composants objet .
Participants : Attila Benedek,
Brigitte Trousse.
Approche neuronale pour l'indexation de cas
L'objectif de cette recherche vise à améliorer la
performance d'un système de recommandations basé sur du RàPC
dans le cas d'une montée en charge du site offrant ce
service. L'efficacité du raisonnement d'un système RàPC en
termes de mémorisation de nouveaux cas (d'apprentissage) et
de remémoration (de rappel) de cas précédents, dépend, d'un
cÔté, de la manière dont les cas sont représentés, indexés,
sauvés dans le mémoire et, d'un autre cÔté, des algorithmes
utilisés pendant la phase de recherche ou de
remémoration.
Parmi les trois différentes formes d'organisation de la
mémoire : mémoire plate, mémoire hiérarchique (réseaux à
traits partagés et arbres de discrimination [Qui86]) et mémoire connexionniste, nous avons
étudié principalement la mémoire connexionniste qui offre une
recherche efficace, avec un prix de mémorisation et de
sauvegarde optimal, mais aussi avec une précision moindre par
rapport à une mémoire plate.
Nous avons fait deux propositions hybrides d'index
neuronaux inspirés des modèles Probis [Mal96]
et GCS [Fri94].
Le premier index s'appuie sur le modèle ARN2 [Azc91], qui est un réseau de neurones à base
de prototypes avec une structure évolutive, utilisé dans le
modèle Probis comme une solution hybride d'indexation RàPC
entre la mémoire plate et la mémoire connexioniste. Inspiré
par ce modèle, nous proposons un modèle offrant un nouvel
algorithme de mémorisation et de remémoration plus efficace
(par exemple le traitement des cas frontières) et adapté à
nos besoins dans CBR*Tools (traitement des prototypes
atypiques)[15].
Le deuxième index est un modèle hybride d'indexation de la
mémoire à trois couches: 1) une mémoire plate pour garder les
cas qui sont groupés dans le même ``cluster'', 2) le réseau
de neurones GCS pour établir les différents clusters et pour
offrir un premier niveau d'indexation, 3) une structure
hiérarchique, les arbres k-d [WAD94]
pour mettre à jour un deuxième niveau d'indexation des
clusters qui se trouvent sur le premier niveau.
Nous avons conçu et intégré une modélisation objet du
premier index dans CBR*Tools en utilisant trois points
d'ouverture principaux pour traiter les différents, nouveaux
concepts introduits de ce modèle, notamment la distance ou
degré de similarité entre deux cas, la représentation
numérique d'un cas (par exemple pour une session de
navigation sur Internet), et le noyau de l'index qui comprend
les algorithmes de mémorisation et de remémoration.
L'implantation du deuxième index est en cours de réalisation
dans CBR*Tools.