Développement d'un cadre générique pour le partitionnement des données RDF
Notice bibliographique
Résumé
Avec la croissance explosive des technologies web et l'avènement de l'ère numérique, le volume de données générées et partagées sur le web a atteint des niveaux sans précédent. Cette explosion de la création de données pose des défis significatifs en matière de gestion, de traitement et d'analyse de cet afflux massif d'informations. Cette thèse s'inscrit dans le cadre du projet PQDAG, qui vise à développer des outils avancés de gestion des données spécifiquement conçus pour assurer la mise à l’échelle et les performances lors du traitement des Big RDF Data. Notre objectif principal était de proposer des approches de partitionnement facilitant l'évaluation d'un grand nombre de requêtes SPARQL sans nécessiter de jointures entre les partitions, réduisant ainsi le temps de communication sur le réseau. Pour ce faire, nous avons appliqué et comparé plusieurs stratégies de partitionnement, y compris MPC (Minimum Property Cut), Metis et K-means. Le but était de minimiser le nombre de jointures inter-partitions et d'améliorer les performances de traitement des requêtes dans un environnement distribué, tout en réduisant les coûts de communication entre les partitions. Grâce à cette recherche, nous visons à identifier la solution la plus efficace pour relever les défis de la gestion des Big Data dans le cadre du projet PQDAG, améliorant ainsi la capacité à gérer et analyser les données RDF à grande échelle sur le web en parallèle.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».