CoA-Text2OWL : Apprentissage d'Ontologies
par Chaîne d'Agents IA
Un framework multi-agents basé sur les LLMs pour améliorer la génération automatique d'ontologies OWL à partir de textes non structurés, en combinant des agents travailleurs parallèles et un agent gestionnaire synthétiseur.
L'apprentissage d'ontologies réinventé par les agents IA
L'apprentissage d'ontologies à partir de textes non structurés reste un défi complexe. CoA-Text2OWL introduit un framework multi-agents exploitant les LLMs dans une architecture Chain-of-Agents pour améliorer la génération d'ontologies. Contrairement aux approches mono-LLM, le système distribue la tâche entre plusieurs agents travailleurs — chacun traitant un segment du texte — tandis qu'un agent gestionnaire synthétise leurs sorties en une ontologie cohérente. Validé sur le domaine de la pizza et sur les données urbaines du projet TRACES à Genève, CoA-Text2OWL démontre des améliorations significatives dans l'extraction des propriétés d'objet et la complétude ontologique.
Trois modules complémentaires
Le framework CoA-Text2OWL s'articule autour de trois composants principaux qui travaillent en séquence pour transformer un document PDF en ontologie OWL formelle.
Input PDF → Chunks 120 mots → Worker Agents (CU1…CUn) → Manager Agent → Ontology Serialization → Fichier .ttl
Fig. 1 — Framework CoA-Text2OWL : du document PDF à l'ontologie OWL sérialisée en Turtle
Input Processing Module
Extraction du texte via PyMuPDF et segmentation en chunks de ~150 mots, préservant la cohérence sémantique tout en optimisant le traitement parallèle par les agents.
Chain-of-Agents Core
Agents travailleurs parallèles (Mistral-7B) traitant chaque chunk et générant des sous-ontologies partielles en Turtle. Un agent gestionnaire intègre et déduplique les résultats.
Ontology Output Module
Sérialisation finale de l'ontologie unifiée au format Turtle (.ttl), conforme aux standards RDF/OWL du W3C, prête pour le raisonnement et l'inférence.
Des instructions précisément calibrées
Chaque rôle d'agent est guidé par un prompt spécifique. Les agents travailleurs se concentrent sur l'extraction, l'agent gestionnaire sur l'intégration et la cohérence.
Des performances mesurables
Évaluation sur le dataset Pizza Ontology, comparaison contre le baseline Text2OWL mono-LLM (Mistral-7B). Métriques : conciseness, completeness, correctness (F1-score).
Propriétés d'objet
CoA-Text2OWL extrait la totalité des propriétés relationnelles — le baseline n'en extrait aucune.
Correctness classes
Score F1 de 0.43 contre 0.41 pour le baseline — meilleure précision et couverture combinées.
BERTScore TRACES
Très forte similarité sémantique avec les documents sources sur les données urbaines de Genève.
Comparaison des axiomes OWL
| Mesure | Pizza Ontology (référence) | CoA-Text2OWL | Baseline |
|---|---|---|---|
| Named Classes | 97 | 33 | 23 |
| Object Properties | 8 | 2 | 0 |
| Named Individuals | 5 | 0 | 0 |
| SubClassOf Tuples | 141 | 32 | 23 |
Métriques de qualité
| Métrique | CoA-Text2OWL | Baseline |
|---|---|---|
| Classes — Conciseness | 0.84 | 1.00 |
| Classes — Completeness | 0.29 | 0.25 |
| Classes — Correctness (F1) | 0.43 | 0.41 |
| Prop. objet — Conciseness | 1.00 | 0.00 |
| Prop. objet — Completeness | 0.25 | 0.00 |
| Prop. objet — Correctness (F1) | 0.40 | 0.00 |
| SubClassOf — Conciseness | 0.12 | 0.56 |
| SubClassOf — Completeness | 0.01 | 0.05 |
| SubClassOf — Correctness (F1) | 0.02 | 0.09 |
Des pistes d'amélioration identifiées
Malgré ses avancées, CoA-Text2OWL fait face à quatre défis structurels qui orientent la feuille de route de recherche.
Perte des structures hiérarchiques
La réduction des relations RDFS subClassOf indique que le traitement multi-agents ne préserve pas pleinement les dépendances hiérarchiques, en raison de la segmentation et des lacunes de communication inter-agents.
Couverture conceptuelle limitée
Bien que CoA-Text2OWL surpasse le baseline pour les propriétés d'objet, il capture significativement moins de classes que l'ontologie de référence. Élargir la couverture sans augmenter le bruit reste un problème ouvert.
Stochasticité des LLMs
Malgré temperature=0, des variations mineures ont été observées entre les runs. Des couches de vérification structurées pourraient stabiliser les sorties et garantir la reproductibilité.
Scalabilité sur domaines complexes
L'applicabilité à grande échelle reste une question ouverte. De futures optimisations devront explorer l'efficacité de traitement et la rétention mémoire pour élargir le champ d'application.
Validation sur des données urbaines de Genève
CoA-Text2OWL a été appliqué à des corpus hétérogènes réels issus du projet ANR TRACES, portant sur les systèmes de transport urbain et les politiques de mobilité à Genève.
Réseau de tramway de Genève
Corpus de pages Wikipédia et descriptions institutionnelles sur les lignes 13, 14, 15, 17, 18 — infrastructure, véhicules, nœuds spatiaux et extensions récentes.
BERTScore : 0.935 · ROUGE-1 : 0.365Politiques de mobilité urbaine
Textes législatifs, stratégiques et de planification couvrant la mobilité locale, les mesures de durabilité et les cadres de gouvernance des transports genevois.
BERTScore : 0.926 · ROUGE-1 : 0.392| Ontologie | BERTScore | ROUGE-1 | ROUGE-2 | BLEU-1 | BLEU-2 |
|---|---|---|---|---|---|
| Réseau Tramway | 0.935 | 0.365 | 0.059 | 0.240 | 0.079 |
| Politiques Mobilité | 0.926 | 0.392 | 0.089 | 0.249 | 0.098 |
Vers un framework modulaire spécialisé
Les prochaines étapes de recherche visent à transformer CoA-Text2OWL en un pipeline multi-étapes avec des agents dédiés à chaque sous-tâche de l'apprentissage ontologique.
Chercheurs impliqués
Samir Jabbar
ICB · Université Bourgogne Europe
Chercheur
Christophe Cruz
ICB · Université Bourgogne Europe
Maître de conférences
Publication · KES 2025
CoA-Text2OWL: Enhancing Ontology Learning with Chain-of-Agents Framework
Ghanem H., Jabbar S., Cruz C. · Procedia Computer Science · 29th KES International Conference 2025
