Dans de nombreuses applications récentes, les données sont intrinsèquement imparfaites, i.e., incertaines, imprècises et incomplètes. Plusieurs travaux se sont intéressés à la gestion des bases de données incertaines. L'incertitude de données peut être modélisée au moyen de la théorie de l'évidence. D'autre part, l'opérateur skyline est un outil puissant pour extraire les objets les plus intéressants dans une base de données. Cependant, la maintenance du résultat du skyline reste toujours une tâche délicate en présence des mises à jour règulières dans une base de données. Cet article aborde le problème de la maintenance des objets skyline dans le contexte des bases de données incertaines où les mises à jour sont fréquentes. En particulier, nous proposons des algorithmes pour la maintenance des objets skyline dans le cas d'insertion ou de suppression d'objets. Les expérimentations menées démontrent l'efficacité de notre approche.
Les relations temporelles d'Allen forment un formalisme bien connu et utilisé pour la modélisation et la manipulation des données temporelles. Ce papier discute une nouvelle idée permettant d'introduire une certaine souplesse dans la définition des relations entre deux intervalles de temps flous. Le concept clé de cette approche est une relation de tolérance floue convenablement modélisée. Des relations temporelles d'Allen tolérantes sont définies au moyen d'opérations de dilatation et d'érosion appliquées sur les intervalles de temps initiaux. Cette extension des relations d'Allen est étudiée dans un but d'interrogation de bases de données temporelles à l'aide du language TSQLf introduit dans un précédent travail.
L'article présente une approche fondée sur les fonctions de croyances pour représenter l'incertitude des relations temporelles dans le cadre de l'algèbre des points. Nous montrons comment le concept des fonctions de masse permet de modéliser la connaissance incertaine sur les relations possibles entre instants. L'incertitude peut aussi être exprimée au moyen d'un vecteur de mesures de croyance. Un ensemble de règles permettant de raisonner sur des relations temporelles crédibilistes est aussi établi.
Cet article aborde la problématique de la fusion de préférences dans le contexte des réseaux sociaux. L'objectif de ce travail est de déterminer les préférences “collectives” d'un groupe d'utilisateurs appartenant à une communauté donnée à partir des préférences individuelles de chacun d'entre eux. En particulier, nous nous intéressons ici à la représentation des préférences des individus en tenant compte de leurs incertitudes. L'incertitude représentant une source de complexité dans la prise de décision, nous proposons une méthode efficace de fusion de préférences fondée sur la théorie des fonctions de croyance. Cette méthode permet de qualifier des communautés d'utilisateurs par l'analyse des préférences collectives obtenues à l'issue de l'étape de fusion. Plus précisément, elle permet la caractérisation des communautés partageant les mêmes préférences collectives. Des expérimentations sur des jeux de données générées soulignent l'intérêt de la solution proposée.
Le “Crowdsourcing” représente aujourd'hui une méthode de travail très populaire au cœur de l'économie d'internet. Cette méthode consiste à recourir aux ressources de la foule pour accomplir des tâches, pour collecter des informations et des connaissances sous forme d'une sous-traitance vers un grand nombre de personnes. La qualité et le niveau d'expertise de ces derniers influencent largement l'efficacité des plates-formes de crowdsourcing. Ceci pose un nouveau défi de contrôle de qualité des participants et d'identifier les experts. Plusieurs méthodes ont été proposées dans ce contexte, mais les problèmes d'imperfection des données souvent peu prises en compte influencent pourtant les résultats. Pour ce faire et afin de mieux identifier les experts nous proposons une nouvelle méthode de caractérisation des experts fondée sur la théorie des fonctions de croyance. Nous validons nos techniques par des expérimentations sur des données synthétiques.