Traitement des requêtes basé sur les ontologies et l’apprentissage automatique
| dc.contributor.author | LAKEHAL Meftah | |
| dc.date.accessioned | 2026-01-15T09:20:40Z | |
| dc.date.available | 2026-01-15T09:20:40Z | |
| dc.date.issued | 2025 | |
| dc.description | في هذه الأطروحة، نقدم إطاراً هجينا يجمع بين التعلم الآلي الخاضع للإشراف والاستدلال الدلالي القائم على الأنطولوجيا بهدف تحسين تنفيذ استعلامات SQL في أنظمة قواعد البيانات العلائقية. يتم أولاً تحويل المخطط العلائقي إلى أنطولوجيا بلغة OWL، حيث يتم تمثيل دلالات المجال والقيود الخاصة بالأعمال بشكل رسمي على شكل بديهياتTBox .انطلاقاً من سجلات الاستعلامات السابقة، نقوم ببناء مجموعة بيانات معنونة تُستخدم لتدريب مصنّف من نوع Random Forest قادر على التمييز بين الاستعلامات البسيطة والمعقدة اعتماداً على الخصائص البنائية وخصائص التنفيذ، بما في ذلك عدد عمليات الربط (Joins)، وجود شروط التصفية (WHERE)، وأزمنة التنفيذ المسجلة. يتم بعد ذلك إخضاع الاستعلامات المصنفة كمعقدة إلى مرحلة إعادة كتابة دلالية، موجهة بواسطة قواعد الاستدلال المرمّزة في الأنطولوجيا. تهدف هذه المرحلة إلى تقليل استرجاع البيانات غير الضرورية أو المكررة، مما يؤدي إلى تحسين كفاءة تنفيذ الاستعلامات. أظهرت النتائج التجريبية أن النهج المقترح يحقق دقة تصنيف عالية ويؤدي إلى تحسينات ملموسة في أداء التنفيذ. وبشكل عام، تبرز هذه النتائج مزايا الجمع بين تمثيل المعرفة وتقنيات التعلم الآلي لتطوير استراتيجيات ذكية وواعية بالسياق لتحسين الاستعلامات في بيئات قواعد البيانات العلائقية. | |
| dc.description.abstract | In this dissertation, we introduce a hybrid framework that integrates supervised machine learning with ontology-based semantic reasoning to optimize the execution of SQL queries in relational database systems. The relational schema is first transformed into an OWL ontology, where domain semantics and business constraints are formally represented as TBox axioms. Using historical query logs, we construct a labeled dataset that is employed to train a Random Forest classifier capable of distinguishing between simple and complex queries based on structural and execution-related features, including the number of joins, the presence of selection predicates (WHERE clauses), and observed execution times. Queries classified as complex are subsequently processed through a semantic rewriting stage, guided by inference rules encoded in the ontology. This rewriting step reduces redundant or irrelevant data retrieval, thereby improving query execution efficiency. Experimental results demonstrate that the proposed approach achieves high classification accuracy and yields significant performance gains. Collectively, these findings highlight the advantages of combining knowledge representation with machine learning techniques to enable intelligent, context-aware query optimization strategies in relational database environments. | |
| dc.identifier.uri | https://repository.univ-msila.dz/handle/123456789/48103 | |
| dc.language.iso | en | |
| dc.publisher | University of M'sila | |
| dc.subject | Query | |
| dc.subject | SQL | |
| dc.subject | Ontologies | |
| dc.subject | Machine Learning | |
| dc.subject | Random Forest classifier | |
| dc.subject | Rewriting | |
| dc.subject | إعادة كتابة الاستعلامات، SQL، الأنطولوجيات، التعلم الآلي، .Random Forest | |
| dc.title | Traitement des requêtes basé sur les ontologies et l’apprentissage automatique | |
| dc.type | Thesis |