Soutenance mémoire
Les systèmes de recommandations classiques
Avec la croissance de popularité des applications web et l’explosion de l’utilisation de l’Internet pendant les années ’90 nous avons senti le besoin de filtrer cette énorme quantité d’informations. Donc il est nécessaire de disposer d’un système qui peut recommander des bons produits en tenant compte de certains paramètres. Il s’agit là du système de recommandation qui est devenu plus populaire durant ces 10 à 20 dernières années. Un système de recommandation fournit à des utilisateurs des suggestions qui répondent à leurs besoins et préférences informationnels. Les applications de recommandation peuvent être trouvé dans une grande variété d’industries, entreprises, service financier, musique / radio en ligne, TV et vidéos, les publications en ligne, et d’innombrables autres. Dans ce chapitre, nous commençons par donner un historique des systèmes de recommandation puis nous définirons les systèmes de recommandation d’une manière globale, ainsi les différentes approches de recommandations et nous finirons par exploiter leurs avantages et inconvénients.
Les racines des systèmes de recommandation remontent aux travaux étendus dans les sciences cognitives, la théorie d’approximation, la recherche d’informations, la théorie de la prévoyance ont également des liens avec la science de la gestion et le marketing, dans la modélisation des choix du consommateur [1]. « Information Lens System » [28] peut être considérée comme le premier système de recommandation. À l’époque, l’approche la plus commune pour le problème de partage d’informations dans l’environnement de messagerie électronique était la liste de distributions basée sur les groupes d’intérêt. La première définition pour le filtrage a été donnée aussi par Malone : « Même si le terme a une connotation littérale de laisser les choses dehors (filtrage négatif : enlèvement), nous l’utilisons ici dans un sens plus général qui consiste à Sélectionner les choses à partir d’un ensemble plus large de possibilités (filtrage positif : sélection) ».
Au cours des années 90, les systèmes de recommandation sont devenus un important domaine de recherche avec la publication des premiers articles dans le domaine du filtrage collaboratif. La littérature académique a introduit le terme de filtrage collaboratif par le système Tapestry [21]. Il a été développé en 1992 par le centre de recherche de « Xerox » aux Etats Unis et qui a permis aux utilisateurs de créer des requêtes permanentes, basées sur les annotations des utilisateurs. À la fin des 1990, Les déploiements de la technique de recommandations commerciales ont commencé à émerger. Peut-être la plus célèbre application sur une large gamme de systèmes techniques de recommandation est Amazon.com, En suit, en 2006, Netflix a lancé Netflix Prize pour améliorer l’état de recommandation des films ; aussi Netflix a plus de 17.000 films dans sa sélection [32]. Aujourd’hui les systèmes de recommandation sont devenus très populaires et sont utilisés dans diverses applications Web.
Filtrage hybride (hybrid filtering)
Un système de recommandation hybride utilise des composants de différents types d’approches de recommandation ou s’appuie sur leur logique [10]. Par exemple, un tel système peut utiliser à la fois des connaissances extérieures et les caractéristiques des éléments, combinant ainsi des approches collaboratives et basées sur le contenu [24]. Il est à noter que le terme « hybride » est un artefact de l’évolution historique des systèmes de recommandation où certaines sources de connaissances ont été exploitées en premier lieu, conduisant à des techniques bien établies qui ont ensuite été combinées. L’objectif est alors de s’appuyer sur des sources de connaissances multiples, en choisissant les plus appropriées à une tâche donnée afin de les utiliser le plus efficacement possible, la figure 4 illustre ce processus. Il existe trois grandes catégories de combinaisons de systèmes de recommandation pour concevoir un système de recommandation hybride [10] [24] : la combinaison monolithique (monolithic hybridization design), la combinaison parallèle (parallelized hybridization design) et la combinaison tubulaire (pipelined hybridization design). « Monolithique » décrit une conception d’hybridation qui intègre les aspects de différentes stratégies de recommandation en un seul algorithme. Comme illustré sur la figure 5 ci-dessous, différents systèmes de recommandation y contribuent puisque l’approche hybride utilise des données d’entrée additionnelles qui sont spécifiques à un autre algorithme de recommandation, ou bien les données d’entrée sont complétées par une technique et exploitées par une autre. Par exemple, un système de recommandation basé sur le contenu qui exploite également des données communautaires pour déterminer des similarités entre éléments relève de cette catégorie.
Les systèmes de recommandation sensible au contexte
L’objectif des systèmes de recommandation est essentiellement d’améliorer les interactions entre les utilisateurs et les systèmes de recherche et d’accès à l’information. Seulement, les systèmes de recommandation discutés précédemment opèrent dans un espace bidimensionnel (utilisateur, contenu). Or, dans les environnements mobiles, d’autres aspects sont à considérer dans la recommandation. Le profil de l’utilisateur est insuffisant pour produire des recommandations. Il y a plusieurs items dépendants du contexte qui devraient être considérés (quand ?, où ?, pourquoi ?, etc.). En effet, le contexte de l’utilisateur influence le choix de l’information pertinente. Une nouvelle famille de systèmes de recommandation appelés systèmes de recommandation sensibles au contexte se développe de plus en plus dans la littérature ces dernières années, qui se basent sur le contexte de l’utilisateur en modélisant des données comme sa localisation, l’heure et les personnes aux alentours. Le filtrage consiste ensuite à analyser le contexte courant de l’utilisateur et à sélectionner, parmi les contenus disponibles, ceux qui correspondent le mieux à la situation décrite. Dans la première partie, nous présenterons les différentes visions de la définition du contexte donnée par quelques chercheurs. Puis nous présentons les concepts de base à ces systèmes, ainsi les différents paradigmes pour son intégration dans les systèmes de recommandation. La deuxième partie du chapitre sera consacré aux systèmes de recommandation sensible au contexte. Nous donnerons quelques définitions de ces derniers, puis nous exposerons leur architecture. Nous terminerons par quelques exemples sur des SRs sensibles au contexte.
Systèmes sensibles au contexte
Le terme sensibilité au contexte est devenu aujourd’hui une technologie embarquée dans une grande variété de systèmes informatiques, et nous pouvons en citer diverses définitions comme suite : La notion de sensibilité au contexte a été tout d’abord introduite dans le domaine de l’IHM (Interactions Homme-Machine) par Weiser en 1991 pour réconcilier le monde virtuel et le monde physique [45]. Il déclare que les technologies les plus réussies sont celles qui s’associent à la vie de tous les jours, jusqu’à ce qu’il devienne difficile de distinguer les deux. L’informatique ubiquitaire consiste en l’intégration du monde informatique partout dans l’environnement et de manière invisible. La première définition de la sensibilité au contexte a été proposée par [38], comme étant la capacité d’un système à s’adapter au contexte de son exécution en fonction de sa localisation, de l’ensemble des personnes à proximité, des équipements accessibles, etc. [9] annonce qu’une application sensible au contexte doit automatiquement extraire de l’information ou effectuer des actions en fonction du contexte utilisateur détecté par les capteurs. [35] définit la sensibilité au contexte comme étant la capacité des dispositifs informatiques à détecter, interpréter et répondre aux aspects de l’environnement local d’un utilisateur et des dispositifs informatiques eux-mêmes. [15] affine ces définitions en une autre plus générale. Il annonce qu’un système est sensible au contexte lorsqu’il utilise le contexte pour fournir des informations pertinentes aux utilisateurs : « a system is context-aware if it uses context to provide relevant information and/or services to the user, where relevancy depends on the user’s task ». Ces définitions s’articulent toutes autour de l’aptitude d’un dispositif à adapter son comportement en se basant sur le contexte de l’utilisateur. Un système sensible au contexte est un ensemble de mécanismes destinés pour la collection et la gestion des informations de contexte, et le contrôle du comportement du système en fonction de ces informations. Nous présentons dans ce qui suit l’étude de l’architecture dans le domaine de la sensibilité au contexte.
|
Table des matières
Liste des figures
Liste des tableaux
Introduction générale
Chapitre1.Les Systèmes de recommandations classiques
1.1 Introduction
1.2. Historique
1.3. Définition des systèmes de recommandations
1.4. Objectif des systèmes de recommandation
1.5. Les étapes principales de la recommandation
1.5.1. Collecte d’information
1.5.2. Mise en oeuvre d’une matrice utilisateur d’informations récoltées
1.5.3. Extraction de la liste de recommandations
1.6. Les principales approches de filtrage
1.6.1. Filtrage basé sur le contenu (content based filtering)
1.6.2. Filtrage collaboratif (collaborative filtering)
1.6.3. Filtrage hybride (hybrid filtering)
1.7. Avantages et inconvénients des systèmes de recommandations
1.8. Evaluation des Systèmes de recommandation
1.8.1. Évaluation online
1.8.2. Evaluation offline
1.9. Conclusion
Chapitre2.Les systèmes de recommandation sensible au contexte
2.1. Introduction
2.2 Définition du contexte
2.3 Sources d’informations contextuelles
2.4 Caractéristiques du Contexte
2.5 Dimension du Contexte
2.6 Systèmes sensibles au contexte
2.7 . Approches d’intégration du contexte dans les systèmes de recommandation
2.7.1 Approche de Pré-filtrage Contextuel (contextual pre-filtering)
2.7.2. Approche de Post-filtrage Contextuel (contextual post-filtering)
2.7.3. Approche de la Modélisation Contextuelle (contextual modeling
2.8. Exemples de Système de Recommandation sensibles au contexte
2.8.1. Micro-profiling
2.8.2. Amazon
2.9. Splitting approche du pré-filtrage contextuel
2.10. Conclusion
Chapitre3.Implémentation de l’approche de découpage
3.1. Introduction
3.2. Terminologies utilisées
3.3. Description de l’approche de découpage
3.3.1. Algorithmes de découpage
3.3.1.1. Découpage par item
3.3.1.2. Découpage par utilisateur
3.3.1.3. Découpage par item&utilisateur
3.3.2. Critères d’impuretés
3.4. Implémentation de l’approche de découpage
3.4.1. Processus de découpage
3.4.2. Calcul taux de similarité
3.4.3. Calcul de prédiction
3.4.4. Top N Recommandation
3.5. Evaluation
3.5.1. Description du Dataset
3.5.2. Méthode d’évaluation
3.5.3. Résultat
3.6. Conclusion
Chapitre4.Utilisation de la Bibliothèque CarsKit
4.1. Introduction
4.2. Conception
4.3. Algorithmes
4.3.1. Algorithmes de transformations
4.3.2. Algorithmes d’adaptations
4.4. Evaluation
4.5. Guide d’utilisation
4.5.1. Téléchargement de fichier CARSKit
4.5.2. Format de donnée
4.5.3. Préparation de donnée
4.5.4. Configuration
4.5. Conclusion
Conclusion générale
Références Bibliographiques
Liste des Abréviation
Résumé
Télécharger le rapport complet
