Fouille de données par contraintes

Data mining by constraints

• Auteur / Autrice : Abdelhamid Boudane
• Direction : Lakhdar Saïs
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 13/09/2018
• Etablissement(s) : Artois
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
• Jury : Président / Présidente : Salima Benbernou
• Jury : Examinateurs / Examinatrices : Lakhdar Saïs, Salima Benbernou, Thi Bich Hanh Dao, Frédéric Saubion, Saïd Jabbour, Yakoub Salhi
• Jury : Rapporteurs / Rapporteuses : Thi Bich Hanh Dao, Frédéric Saubion

Mots clés

Mots clés contrôlés

Contraintes (intelligence artificielle)

Exploration de données

Mots clés libres

Fouille de données

Clustering

Règles d'association

Satisfiabilité

Résumé

Dans cette thèse, nous abordons les problèmes bien connus de clustering et de fouille de règles d’association. Notre première contribution introduit un nouveau cadre de clustering, où les objets complexes sont décrits par des formules propositionnelles. Premièrement, nous adaptons les deux fameux algorithmes de clustering, à savoir, le k-means et l’algorithme hiérarchique ascendant, pour traiter ce type d’objets complexes. Deuxièmement, nous introduisons un nouvel algorithme hiérarchique descendant pour le clustering des objets représentés explicitement par des ensembles de modèles. Enfin, nous proposons un encodage basé sur la satisfiabilité propositionnelle du problème de clustering des formules propositionnelles sans avoir besoin d’une représentation explicite de leurs modèles. Dans une seconde contribution, nous proposons une nouvelle approche basée sur la satisfiabilité pour extraire les règles d’association en une seule étape. La tâche est modélisée comme une formule propositionnelle dont les modèles correspondent aux règles à extraire. Pour montrer la flexibilité de notre cadre, nous abordons également d’autres variantes, à savoir, l’extraction des règles d’association fermées, minimales non redondantes, les plus générales et les indirectes. Les expérimentations sur de nombreux jeux de données montrent que sur la majorité des tâches de fouille de règles d’association considérées, notre approche déclarative réalise de meilleures performances que les méthodes spécialisées.

In this thesis, We adress the well-known clustering and association rules mining problems. Our first contribution introduces a new clustering framework, where complex objects are described by propositional formulas. First, we extend the two well-known k-means and hierarchical agglomerative clustering techniques to deal with these complex objects. Second, we introduce a new divisive algorithm for clustering objects represented explicitly by sets of models. Finally, we propose a propositional satisfiability based encoding of the problem of clustering propositional formulas without the need for an explicit representation of their models. In a second contribution, we propose a new propositional satisfiability based approach to mine association rules in a single step. The task is modeled as a propositional formula whose models correspond to the rules to be mined. To highlight the flexibility of our proposed framework, we also address other variants, namely the closed, minimal non-redundant, most general and indirect association rules mining tasks. Experiments on many datasets show that on the majority of the considered association rules mining tasks, our declarative approach achieves better performance than the state-of-the-art specialized techniques.