Résumé
À la fin du 20e siècle, l’essor de l’Internet a permis la création du web, un réseau de machines interconnectées qui échangent des données sous forme de documents. Ces documents permettent aux humains de communiquer et de préserver des informations à travers les générations. Au début des années 2000, le concept du web sémantique a vu le jour pour permettre aux machines de mieux comprendre et traiter ces données. Des modèles comme le RDF (Resource Description Framework) ont été développés pour représenter l'information sous forme de triplets : sujet, prédicat et objet.Avec l'explosion des données publiées sur le web, plusieurs défis sont apparus, notamment la gestion des descriptions d'une même entité provenant de sources variées. Le World Wide Web Consortium (W3C) a formalisé les graphes de connaissances, des réseaux de nœuds et de liens annotés, pour structurer et lier ces données. Cette thèse vise à améliorer le liage de ces graphes RDF pour rechercher des entités ou instances similaires convergeant vers la même réalité, en s'appuyant sur le prédicat owl.L’alignement des entités ou instances, un domaine en pleine expansion dans la communauté scientifique, tente de relever les défis posés par la diversité des données, notamment les variations linguistiques et sémantiques. L’objectif est d’intégrer et de rendre interopérables des données structurées différemment. Bien que plusieurs outils existent, ils sont encore limités par des défis multi-niveaux, comme la réduction efficace du nombre de paires d’entités à comparer et l’analyse des valeurs littérales.Les différences linguistiques et contextuelles ajoutent une complexité supplémentaire, nécessitant des techniques capables de traiter les variations. Ce domaine offre encore des opportunités pour développer des solutions plus sophistiquées, intégrant des techniques d’apprentissage automatique et d'analyse sémantique.Dans cette thèse, nous proposons plusieurs contributions allant de méthodes spécialisées pour des ensembles de données simples à la conception d’un modèle général d’alignement d’entités. Conscients des limites des graphes de connaissances, nous proposons une approche d'augmentation de ces graphes, en commençant par la recherche d'entités nommées dans les littéraux. Nous avons développé GRU-SCANET, une nouvelle architecture améliorant la précision et réduisant le temps de pré-entraînement des vecteurs de mots. GRU-SCANET surpasse l’état de l’art sur huit jeux de données biologiques.Nous avons ensuite évalué l'approche avec SpaCy pour son large spectre de détection d’entités. Nous avons également conçu DLinker, qui réduit l'espace de comparaison des paires d’entités candidates. Lors des compétitions OAEI 2022 et PFIA/AFIA 2023, DLinker a montré son efficacité en réduisant le temps de traitement à 1,6 seconde. Cependant, face à des graphes plus détaillés, nous avons développé GLinker, qui applique des techniques de plongement des graphes pour améliorer les performances. GLinker, associé à une nouvelle mesure de similarité appelée HPP, a permis de meilleures performances par rapport à la méthode Jaro-Winkler.Malgré ces améliorations, des limites subsistent dans le traitement des données multilingues et des synonymes. Nous avons donc mené une étude comparative sur les classifieurs influencés par différentes techniques de plongement pour proposer un modèle d’alignement plus général, LLM4EA. Ce modèle exploite la puissance des modèles de langage comme GPT-2 et BERT pour améliorer l’alignement des entités, en surmontant les défis linguistiques et contextuels.En conclusion, cette thèse propose des solutions variées pour l’alignement d’entités, ouvrant la voie à des recherches futures.