A Framework to Include and Exploit Probabilistic Information in SHACL Validation Reports

Un cadre pour inclure et exploiter des informations probabilistes dans les rapports de validation SHACL

Rémi Felin (1, 2, 3) , Catherine Faron (2, 3, 1) , Andrea G. B. Tettamanzi (1, 2)

1 WIMMICS - Web-Instrumented Man-Machine Interactions, Communities and Semantics
2 UniCA - Université Côte d'Azur
3 I3S - Laboratoire d'Informatique, Signaux, et Systèmes de Sophia Antipolis

SHACL is a W3C recommendation to represent constraints in RDF--~shape graphs~--, and validate RDF data against these constraints. A SHACL validator outputs boolean results, false for a shape as soon as there is at least one triple in the RDF data that does not conform to the shape, else true. In this paper, we propose a probabilistic framework to validate an RDF graph with a realistic proportion of triples that does not conform to a shape.

SHACL est une recommandation du W3C qui permet de représenter en RDF des contraintes appelées formes (shapes en anglais) et de valider des graphes de données RDF par rapport à ces contraintes. Un validateur SHACL produit un résultat booléen, faux pour une forme SHACL quand au moins un triple dans le graphe RDF n'est pas conforme à la forme, vrai sinon. Nous proposons un cadre probabiliste pour valider un graphe RDF avec une proportion réaliste de triplets qui ne se conforment pas à une shape.

Mots clés: RDF; SHACL; Validation de données; Evaluation probabiliste

Domaines: Intelligence artificielle [cs.AI]

Rémi Felin, Catherine Faron, Andrea G. B. Tettamanzi. Un cadre pour inclure et exploiter des informations probabilistes dans les rapports de validation SHACL. IC 2023 - 34es Journées francophones d'Ingénierie des Connaissances @ Plate-Forme Intelligence Artificielle (PFIA 2023), Jul 2023, Strasbourg, France. ⟨hal-04152604⟩