La FCA est devenue (multi-)relationnelle, mais cela fait-il une différence ?

International audienceRelational Concept Analysis (RCA) was designed as an extension of Formal Concept Analysis (FCA) to multi-relational datasets, such as the ones drawn from Linked Open Data (LOD) by the type-wise grouping of the resource into data tables. RCA has been successfully applied to practical problems of AI such as knowledge elicitation, knowledge discovery from data and knowledge structuring. A crucial question, yet to be answered in a rigorous manner, is to what extent RCA is a true extension of FCA, i.e. reveals concepts that are beyond the reach of core FCA even using a suitable encoding of the original data. We show here that the extension is effective: RCA retrieves all concepts found by FCA as well as many further ones.L'analyse de concepts relationnels (ARC) a été conçue comme une extension de l'analyse de concepts formels (AFC) aux ensembles de données multi-relationnels, tels que ceux tirés de Linked Open Data (LOD) selon le regroupement par type de ressource dans des tableaux de données. L'ARC a été appliquée avec succès à des problèmes pratiques d'I.A. tels que l'élicitation de connaissances, la découverte de connaissances à partir de données et la structuration de connaissances. Une question cruciale, à laquelle il faut encore répondre de manière rigoureuse, est de savoir dans quelle mesure l'ARC est une véritable extension de FCA, c'est-à-dire qu'elle révèle des concepts qui vont au-delà des limites de l'AFC, même en utilisant un codage approprié des données originales. Cet article démontre que l'extension est efficace : l'ARC récupère tous les concepts trouvés par l'AFC ainsi que plusieurs autres