Notre but est d'analyser une approche pour définir et découvrir des mappings probabilistes entre deux taxonomies. D'abord, nous comparons 2 façons de modéliser les mappings probabilistes qui sont compatibles avec les contraintes logiques déclarées dans les taxonomies. Nous suivons une démarche bayésienne pour estimer les probabilités des mappings, en exploitant les descriptions des instances associées aux classes des taxonomies. Ensuite, nous présentons un algorithme de type "generate and test" qui minimise le nombre d'estimations de mappings, afin de déterminer les mappings dont la probabilité dépasse un seuil donné. Enfin, nous montrons les résultats d'une expérimentation poussée de notre approche sur des données synthétisées et contrôlées avec lesquelles nous avons effectué des mesures à la fois qualitatives et quantitatives.
