plan

Akoka & Wattiau 2

PLANIntroduction : le problèmeCritères de classificationTechniques de classificationClassification automatique de données Un algorithme de classification automatique Classification automatique de schémas E-R Classification automatique de schémas orientés

objets orientésIntégration vs classification Autres applications

Akoka & Wattiau 3

I- Introduction : le problème

• L'efficacité et la qualité du processus de la conception de base de données dépendent principalement d'une bonne communication entre :

informaticiens• utilisateurs finaux

• managers

Le schéma conceptuel est supposé être un outil pour faciliter cette interaction.

Akoka & Wattiau 4

I- Introduction : le problèmeF Le succès du modèle ER peut s'expliquer principalement par la simplicité de ses concepts et par son formalisme graphique, tous deux facilitant le dialogue entre ces personnes.

F Toutefois, dans les applications réelles, le schéma conceptuel n'est pas suffisant pour atteindre une bonne communication parce que :

F il est souvent trop grand : il est très difficile d’analyser un schéma contenant une centaine d'entités.

l'information est donnée seulement d'un niveau d'abstraction. Une approche descendante devrait être un moyen plus facile de lire un schéma conceptuel.

Akoka & Wattiau 5

I- Introduction : le problème

La classification de schémas

un sous-schéma 1

un schéma conceptuel un sous-schéma 2

un sous-schéma 3

Comment découper ?

sur quels critères ?

Akoka & Wattiau 6

II- Les critères de regroupement

Les critères doivent s’appuyer sur la sémantique des données et/ou des traitements

La définition des critères dépend du modèleconceptuel utilisé

Akoka & Wattiau 7

Diplômé de EcoleEtudiant

Etudiant

Sc-nom

Sc- adresse

St-numéro

st-nom St-numéro

St-nom

Sc-nom

Sc-adresse

1 - Critères d’agrégation

L'agrégation est un groupement sémantique d'entités fondé sur l’existence d'une relation


Akoka & Wattiau 8

2 - Critères de dominanceLa notion de dominance s’appuie sur le concept d’entité faible

Professeur Etudiant

Classe SectionCours

Professeur

Cours 3.1

Etudiant

1 1 1

1

1

n

n

n

n

n

m

m


Akoka & Wattiau 9

3 - Le groupement par abstraction

Personne

Professeur EtudiantG

Personne 2.1


Akoka & Wattiau 10

4 - Le groupement par contrainte

Société Individu Personne 3.4

Prêt Prêt

Contrat Contrat

Xcontrainte d’exclusion


Akoka & Wattiau 11

III - Techniques de classification

Une technique de classification

- s’appuie sur la base d’un ou plusieurs critères

- définit la construction des niveaux d’abstraction et les schémas obtenus à chaque niveau

Akoka & Wattiau 12

1 - Groupement par horizon logique (Feldman & al 86)

L'horizon logique d'une entité E :

contient toutes les entités qui peuvent être identifiées de façon unique à partir de l’entité E

en d'autres termes, toutes les entités sont liées à l'entité E par une (ou plusieurs) 1:N relation(s) appartenant à son horizon logique

Exemple : Horizon logique de l'entité Département

Département Professeur Cours1 1 nn


Akoka & Wattiau 13

• Principe du groupement par horizon logique

a) Définir les centres de regroupement appelées entités majeures

b) Former des groupements d'entités qui sont les horizons logiques de ces entités majeures

• Limites

a) Procédure fastidieuse parce qu'elle est manuelle

b) La définition des entités majeures n’est pas aisée

c) La classification utilise uniquement un critère : la relation

III - Techniques de classification1 - Groupement par horizon logique (Feldman & al 86)

Akoka & Wattiau 14

Utilisation des 4 critères définis par Teorey

Le facteur de cohésion définit un ordre entre les différents critères de groupes

dominanceabstractioncontrainterelation

cohésion

+

-

Principe de la classification 1) définir des centres de regroupement à l'intérieur des domaines

fonctionnels 2) former des groupes d'entités 3) valider la classification

Limites a) processus manuel

b) définition des centres de regroupement difficilec) l'ordre entre les différents critères est arbitraire

2 - Groupement par cohésion (Teorey & al 89)


Akoka & Wattiau 15

spécifique aux méthodes orientées objets de type OOA [Coad]

OOA préconise différents niveaux d’abstraction appelés couches

L’une des couches, appelée sujet, définit un mécanisme pouvant servir de guide pour une lecture aisée d’un grand modèle complexe

Identification des sujets 1) choisir dans chaque structure (hiérarchie d’agrégation, de généralisation, etc) la classe de plus haut niveau : noyau du sujet

2) les classes qui ne sont dans aucune structure constituent aussi des sujets3) les sujets sont affinés en utilisant :

les sous-domaines du problème

les interdépendances (structures et connexions d’instances)

les interactions (connexions de messages)

Limites a) processus manuel b) fait appel à l’expérience du concepteur

3 - Groupement par sujet


Akoka & Wattiau ESSEC 16

Défini sur la base du modèle des objets naturels [Brès]

L’utilisateur perçoit des objets naturels dont la sémantique est plus riche que les concepts d’entité et d’association

Tout objet naturel est construit autour d’une entité principale, racine, et d’une grappe d’entités et d’associations reliées à cette racine

Limites l’identification des objets naturels est laissée à l’appréciation du concepteur

4 - Groupement naturel


Akoka & Wattiau 17

La méthode OOD suggère le regroupement de classes en catégories pour des raisons de visibilité

Une catégorie contient toutes les classes du même domaine

Le groupement par catégorie conduit à la définition de diagrammes de classes partiels plus faciles à lire

Chaque diagramme contient trois sortes de classes les classes privées n’appartiennent qu’à une seule

catégorie

les classes importées appartiennent principalement à une autre catégorie

les classes exportées appartiennent à cette catégorie mais sont aussi importées dans d’autres

Limites a) processus manuel

b) repose sur l’expérience du concepteur

5 - Groupement par catégorie


Akoka & Wattiau 18

6 - Conclusion sur les regroupements

• Dans le modèle E-R comme dans le modèle objet, le besoin de classification en plusieurs niveaux d’abstraction est réel

• Les regroupements proposés s’appuient sur la sémantique des applications

• Ils sont laissés à l’initiative et à l’expérience du concepteur


Akoka & Wattiau 19

• Les algorithmes de classification automatique permettent le regroupement en classes d’un nuage de points

• Il existe un grand nombre d’algorithmes différents

IV - Classification automatique de données

xx

x

xx

x

x

x x x

x x

x

Akoka & Wattiau 20


• Les algorithmes de classification ascendante partent de l’ensemble des objets isolés et regroupe les plus proches en une classe.

• Puis les classes les plus proches sont regroupées et ainsi de suite.

• On parle de classification ascendante hiérarchique.

• Elle suppose la définition de deux distances:– une distance entre les points– une distance entre les classes

Akoka & Wattiau 21


• Les algorithmes de classification descendante part de l’ensemble des objets considéré comme une classe, puis le coupe en deux et ainsi de suite jusqu’à l’obtention du nombre de classes désiré et/ou jusqu’à l’obtention du nombre de classes désiré

Akoka & Wattiau 22


• Les algorithmes d’agrégation consistent à créer des classes par agrégation– avec seuil de distance– autour de centres fixes– autour de centres mobiles : nuées dynamiques

Akoka & Wattiau 23

V - Un algorithme de classification automatique

• C’est un algorithme de classification descendante

• Qui découpe l’ensemble de points jusqu’à obtention d’un nombre donné k de classes

• Qui maximise la distance inter-classes

• Et minimise la distance intra-classes

Akoka & Wattiau 24

V - Un algorithme de classification automatique Début Soit [i] la classe contenant l’objet i ;

soit Ii = dis ; soit Eiq = dis

Soit j=1. Les objets à classer sont tous mis ensemble dans la classe (1).

Tant que j# k

/* le nombre k de classes n'est pas obtenu */

Faire/* construire la (j+1)ème classe */Choisir l'objet i tel que : Ii = Max Is

/* parmi tous les objets, i est le plus éloigné de sa classe */

Insérer i dans la classe (j+1).

I MIN E et I MIN E MAX I MIN Eiq iq i i iq m m mq

0Tant que il existe i tel que :

/* i est plus près de la classe [q] que de sa classe */ Faire

transférer i dans la classe [q]Fin tant quej=j+1

Fin tant que

Fin

s [i] s [q][i]

s

q

Akoka & Wattiau 25

Soit E un ensemble d’entités

a) Définition :Une distance entre entités est une application d de ExE dans R+ qui vérifie les propriétés suivantes :

b) Trois exemples de distances- distance visuelle

- distance hiérarchique

- distance cohésive

i x E y E

ii x E y E

iii x E y E z E

, ,

, ,

, , ,

d(x,y)=0 <=> x=y

d(x,y) = d(y,x)

d(x,y) <= d(x,z) + d(z,y)

VI - Classification automatique de schémas E-R

Akoka & Wattiau 26

utilise des distances mathématiques classifie un ensemble d’entités une classe contient les entités les plus

proches au sens de la distance

Objectif :appliquer les critères de classification de la

littérature ou d’autresobtenir un processus automatique de

classification


Akoka & Wattiau 27

1 - Distance visuelle

d(i,j) = 1 si i et j sont liés par une relation

sinon d(i,j) = min (d(i,k) + d(k,j)) k

Exemple :

Cadeau

Employé

Enfant

Situation

Fournisseur

Bon de commandeCadeau

Centre de vacances

ChoixAffecté

Etablissement

1

1

1

1

1

1

1

N

N

N

N

N

N

N

2 classesDistance visuelle

1

Akoka & Wattiau 28

1 - Distance visuelle

d(i,j) = 1 si i et j sont liés par une relation

sinon d(i,j) = min (d(i,k) + d(k,j)) k

Cadeau

Employé

Enfant

Situation

Fournisseur

Bon de commandeCadeau

Centre de vacances

ChoixMission

Etablissement

1

1

1

1

1

1

1

N

N

N

N

N

N

N

1

Exemple :

3 classesDistance visuelle

Akoka & Wattiau 29

2 - Distance hiérarchique

d(i,j) = 1 si une relation 1:N existe entre i et j

d(i,j) = 2 si une relation M:N existe entre i et jsinon d(i,j) = min (d(i,k) + d(k,j))

k

Exemple :

Client

Région

Entrepôt

PersonnelAffectation

Tâche Employé

Niveau de réapprovisionnement

Produit

LigneCommande

Commande Livraison du produit

LivraisonClient

Stock1

N

1

1

1

1

11

11

1

1

1

1

1

1

NN

N

N

NN

N

N

N

N N

N

N

N

N

N

N

N

M M

1

MN

1

Akoka & Wattiau30




k

Exemple :

Client

Région

Entrepôt


Tâche Employé

Niveau de réapprovionnement

Produit

LignesCommande


LivraisonClient

Stock1

N

1

1

1

1

11

1

1

1

1

1

1

NN

N

N

NN

N

N

N

N

N

N

N

N

N

N

N

M

1

MN

1

N

M

3 classesDistance hiérarchique

Akoka & Wattiau 31

Client

Région

Entrepôt


Tâche Employé

Niveau de réapprovisionnement

Produit

LigneCommande


LivraisonClient

Stock1

N

1

1

1

1

11

1

1

1

1

1

1

NN

N

N

NN

N

N

N

N

N

N

N

N

N

N

N

M

1

MN

1




k

Exemple :

M

N

4 classesDistance hiérarchique

Akoka & Wattiau 32

3 - Distance cohésive

d(i,j) = 1 si i est une entité faible et j son entité régulière

d(i,j) = 10 si i est une classe spécialisée de j d(i,j) = 100 si i et j participent exclusivement dans une relation

... sinon d(i,j) = min (d(i,k) + d(k,j)) k

Exemple :

AdresseEditeur

HistoriqueEditeur

NotesEditeur

EditeurImport

Editeur

NoteSource

Règlement

Source

AdressesSource

Facture

Historiquelettre

Commercial DistributeurEchange

négocieavec

entité faible

entité régulière

G

N

N

N

NN

N

N

N N

N

N1

1

1

1

11

11

1

1

GLien entre entité spécialisée et générique

Akoka & Wattiau 33

3 - Distance cohésived(i,j) = 1 si i est une entité faible et j son entité régulièred(i,j) = 10 si i est une classe spécialisée de j d(i,j) = 100 si i et j participent exclusivement dans une relation


Exemple :

AdresseEditeur

HistoriqueEditeurs

NotesEditeurs

EditeurImport

Editeur

NoteSource

Règlement

Source

AdresseSource

Facture

Historiquelettre


négocieavec

entité faible

entité régulière

G

N

N

N

NN

N

N

N NN1

1

1

1

11

11

1

1


2 classesDistance cohésive

N

M

Akoka & Wattiau34

AdresseEditeur

HistoriqueEditeur

NotesEditeur

EditeurImport

Editeur

NoteSource

Règlement

Source

AdresseSource

Facture

Historiquelettre


négocieavec

entité faible

entité régulière

G

N

N

N

NN

N

N

N NN1

1

1

1

11

11

1

1


N

M

3 - Distance cohésived(i,j) = 1 si i est une entité faible et j son entité régulièred(i,j) = 10 si i est une classe spécialisée de j d(i,j) = 100 si i et j participe exclusivement dans une relation


Exemple :


Akoka & Wattiau 35

AdresseEditeur

HistoriqueEditeur

NotesPulicitaires

EditeurImport

Editeur

NoteSource

Règlement

Source

AdresseSource

Facture

Historiquelettre


négocieavec

entité faible

entité régulière

G

N

N

N

NN

N

N

N NN1

1

1

1

11

11

1

1


3 - Distance cohésived(i,j) = 1 si i est une entité faible et j son entité régulièred(i,j) = 10 si i est une classe spécialisée de j d(i,j) = 100 si i et j participe exclusivement dans une relation


Exemple :


M

N

Akoka & Wattiau 36


• La distance visuelle regroupe les objets proches sur le diagramme

• La distance hiérarchique permet de retrouver les horizons logiques de Feldman

• La distance cohésive permet de classifier en respectant la hiérarchie de critères proposée par Teorey

4 - Conclusion sur les distances E-R

Akoka & Wattiau 37

On peut appliquer la même technique aux schémas orientés objets

L’algorithme utilisé est le même Il faut définir des distances spécifiques Nous décrivons ici cinq distances adaptées à différents

modèles objetsune distance structuro-connectiveune distance catégorielleune distance naturelleune distance communicative simpleune distance communicative fréquente

VII - Classification automatique de schémas objets

Akoka & Wattiau 38

• s’appuie sur les concepts du modèle objet OOA [Coad], en particulier :– les liens structurels (agrégation, généralisation,

composition),– les connexions d’instances,– les connexions de message.

• La distance entre deux objets vaut :– 1 s’il existe un lien hiérarchique entre eux,– 10 s’il existe une connexion d’instance ou de message

entre deux objets,– au plus court chemin dans les autres cas

1 - Distance structuro-connective


Akoka & Wattiau 39

• s’appuie sur les concepts du modèle objet OOD, en particulier :

– les liens d’héritage,

– les relations uses for entre les classes.

• La distance entre deux objets vaut :

– 1 s’il existe un lien d’héritage entre eux,

– 10 s’il existe une relation uses for avec des cardinalités 1-+, 1-*, 1-? entre eux,

– 100 s’il existe une relation uses for avec une cardinalité *+,** ou ++

– ou au plus court chemin dans les autres cas.

2 - Distance catégorielle


Akoka & Wattiau 40

• s’appuie sur les concepts du modèle des objets naturels, qui s’apparente plus à un modèle E-R étendu :

– les liens de généralisation,

– les associations de cardinalité minimale nulle,

– les dépendances d’existence,

– les autres liaisons sémantiques.

• La distance entre deux entités vaut :

– 1 s’il existe une association de card. min. 1 et aucune généralisation, ni dépendance d’existence ni assoc. de card. min. 0

– au plus court chemin si elles sont dans un même sous-graphe connexe, et à l’infini sinon.

3 - Distance naturelle


Akoka & Wattiau 41

• Un intérêt du modèle objet est qu’il intègre des caractéristiques de traitement

• Les distances communicatives utilisent le concept de message pour définir la proximité entre deux objets

• Nous utilisons le modèle POOM (Parallel Object Oriented Model) qui est un modèle objet incluant le parallélisme

4 - Distances communicatives


Akoka & Wattiau 42

Formalisme graphique de POOM

Entité ou Relation

# Attribut 1 Attribut 2... Attribut n

Etape 1

Etape 2

Méthode 10 Méthode 20

Méthode 30

Attributs de l'objet statique

Attributs de l'objet

dynamique

Nom de l'objet

Identifiant de l'objet

Evénement interne

Méthode publique

Message

Méthode privée

Akoka & Wattiau 43

• La distance communicative simple s’appuie sur la communication entre deux objets : l’existence d’un flux de messages entre objets traduit un lien sémantique entre ces objets.

• d(i,j) = 1 si un message existe entre les objets i et j

sinon d(i,j) est égal au plus court chemin de messages entre i et j



Akoka & Wattiau 44

1

d(i,j) = ------- où fk est la fréquence du k -ème message fk entre les objets i et j

sinon d(i,j) = min d(i,k) + d(k,j) k

• La distance communicative fréquente s’appuie aussi sur la communication entre deux objets : l’existence d’un flux de messages entre objets traduit un lien sémantique entre ces objets.

• Elle intègre de plus la notion de fréquence de messages: plus deux objets communiquent fréquemment, plus ils sont proches sémantiquement



Akoka & Wattiau 45

• La distance structuro-connective permet de retrouver les sujets d’OOA

• La distance catégorielle repère les catégories du modèle OOD

• La distance naturelle isole les objets du modèle des objets naturels

• La distance communicative fréquente permet de regrouper dans une classe les objets appartenant au même processus


5 - Conclusion

Akoka & Wattiau 46

VIII - Intégration vs Classification de schémas conceptuels

Critères Intégrationgration Classification

Définition A partir de plusieurschémas, construire un seul

Partitionner un schéma enplusieurs

Principe Eliminer les problèmes determinologie, détecter lesrecouvrements, etc.

Définir une distance entreles éléments, séparer leséléments les plus éloignés

Objectifs obtenir une vue unique offrir des vues détailléesPositionnement après conception et

validation des vuesaprès validation duschéma conceptuel

Pointscommuns

s'appuient sur lasémantique

et sont utiles pour lesgrands schémas

Automatisation partielle complète sur la base d'unedistance

Akoka & Wattiau 47

• La classification de schémas peut être utilisée après intégration pour valider cette dernière et retrouver les vues initiales

VIII - Autres applications

•La classification de tuples peut être utilisée pour définir un partitionnement de B.D. relationnelles parallèles

•La classification d’attributs peut être utilisée pour alléger le processus de comparaison avant intégration des vues

plan

Documents