Découverte, explicitation et gestion de relations sémantiques par apprentissage profond sur base d'informations variée, volumineuse et de véracité variable : application au renseignement

Les opérateurs de surveillance maritime ont besoin de la meilleure représentation possible d'une situation sous leur responsabilité, une représentation connue comme la Situational Awareness maritime (SAM). Avec le développement rapide des données capteurs et satellites, ces opérateurs doivent traiter de larges flux de données venant de multiples sources de l'écosystème maritime. De ce fait, ils ont besoin d'une aide à la décision pour se repérer dans cet océan d'informations.Nous avons choisi les graphes dynamiques avec attributs pour représenter une situation maritime. Ce sont des graphes qui représentent les interactions entre les entités ainsi que l'évolution de leurs attributs. De telles structure peuvent représenter des situations de la vie réelle impliquant des objets mouvants et interagissant, ce qui permet d'obtenir des capacités de visualisation et de traitement avec une couche d'information sémantique. En pouvant prédire de nouveaux liens entre les entités d'une situation, nous pourrions lever des alertes anticipées aux opérateurs pour qu'ils sachent où regarder dans la donnée pour comprendre ce qu'il se passe. Cependant, la plupart des techniques de prédiction de liens ne traitent que des cas statiques ou sans attributs, ce qui les rend inutilisables dans notre cadre.Dans cette thèse, nous proposons Joint Evolution, un système d'encodeur-décodeur de bout en bout composé de deux réseaux de neurones. Joint Evolution utilisent les relations et les attributs d'un graphe de connaissance dans un contexte dynamique pour prédire de nouvelles relations entre les entités. L'hypothèse principale testée dans ces travaux est que l'ajout d'attributs dans la prédiction de liens peut améliorer les résultats grâce à l'ajout d'informations. Nous testons Joint Evolution sur deux jeux de données: datAcron, un jeu de données maritime qui remonte les événements arrivés dans la baie de Biscay pour 364 bateaux et DBLP, un réseau de citation avec des milliers d'auteurs qui sont co-auteurs et se citent les uns les autres.Maritime surveillance operators need to have the best view on the situation they monitor, a view known as Maritime Situational Awareness (MSA). With the rapid development of sensors and satellite data, these operators face a large flow of data coming from multiple sources in the maritime ecosystem. Hence, they require a decision aid to navigate through all the available information.We choose dynamic attributed knowledge graphs to represent a maritime situation. They are graph structures that represent the interactions between entities and the evolution of their attributes. Such structures can be used to represent real-life situations involving moving and interacting objects, unlocking visualization and processing capabilities with a semantic layer. By being able to predict new links between entities of a situation, we could raise early alerts to operators who will thus know where to look in the data to assess what is happening. However, most state-of-the-art link prediction models tackle only static (attributed) graphs or dynamic non-attributed graphs, which makes them unusable in this setting.In this thesis, we propose Joint Evolution, an end-to-end encoder-decoder system composed of two neural networks. Joint Evolution uses both attributes and relations of a knowledge graph in a dynamic setting to predict new relations between entities. The main hypothesis tested in this work is whether the inclusion of attributes during the relational link prediction can improve the results thanks to the additional information it provides. We test our method on two different datasets: datAcron, a maritime dataset that report events near the Bay of Biscay in France for 364 vessels, and DBLP, a citation network with thousands of authors that are co-authors or cite each other