Collaborative filtering on the Internet

• Auteur / Autrice : Arnd Kohrs
• Direction : Bernard Merialdo
• Type : Thèse de doctorat
• Discipline(s) : Systèmes informatiques
• Date : Soutenance en 2001
• Etablissement(s) : Nice

Mots clés

Mots clés contrôlés

Internet

Résumé

Le filtrage collaboratif est une technologie récente qui permet d’obtenir une recommandation personnalisée. Il est employé pour des systèmes de recommandation et en particulier pour la personnalisation de sites Web. Les utilisateurs indiquent leurs préférences (c’est-à-dire évaluent des objets), et le système de filtrage collaboratif associe ce nouveau profil à d’autres profils d’utilisateurs existants et similaires, afin de pouvoir prédire des préférences. Cette thèse se concentre sur l’amélioration des algorithmes de filtrage collaboratif et leur application dans des sites Web. Le cas où les préférences de l’utilisateur sont peu nombreuses (ou « sparsity ») pose un problème au filtrage collaboratif. Nous proposons un algorithme de filtrage collaboratif basé sur un groupement hiérarchique des profils d’utilisateurs. Il est conçu afin d’améliorer ces situations avec peu de données disponibles. Pour étudier l’utilisation du filtrage collaboratif afin de personnaliser des applications sur le Web (user-adapted Web sites), nous avons conçu un prototype d’un site Web qui s’adapte à l’utilisateur : l’Active WebMuseum, un musée en ligne pour des peintures d’art. Afin d’améliorer la personnalisation, le filtrage collaboratif est combiné au filtrage par le contenu (couleur, texture d’une peinture). Nous proposons et comparons deux approches pour cette combinaison. Dans une application en ligne, telle que l’Active WebMuseum, il est important de définir comment les prédictions sont utilisées pour personnaliser l’application et comment la personnalisation est évaluée par l’utilisateur. Nous proposons le « Multi-Corridor-Access-Paradigm » comme modèle pour formaliser l’interaction entre l’utilisateur et le site Web personnalisé. Il permet aussi de déduire des métriques afin de mesurer la performance liée à la personnalisation. Afin de rendre la phase d’initialisation (nouveaux utilisateurs) plus efficace, nous proposons plusieurs approches pour choisir les premiers objets susceptibles d’être évalués par les nouveaux utilisateurs.

Collaborative filtering is a recent software technology that provides personalized recommendation. It is used for recommender systems and in particular for the personalization of Web sites. User indicates their references (i. E. By rating objects) which the collaborative filtering system uses to match together users with similar interests and then predict unknown preferences. This thesis focuses on improving collaborative filtering algorithms and their application in Web sites. The lack of preference information (a. K. A. Sparsity) may lead to failure of collaborative filtering algorithms. We propose a new collaborative filtering algorithm based on hierarchical clustering, which is designed to better address situations with little preference information. For a better understanding of Web based applications which apply collaborative filtering for personalization (user-adapted Web sites), we implemented a prototype user-adapted Web site : The Active WebMuseum is a public online Web museum for art paintings. In order to improve collaborative filtering with the help of weak content-based information which can automatically be indexed, such as color or texture of paintings, we propose two variations for the combination of collaborative filtering with the conceptually different content-based. When collaborative filtering applied in an on-line application, such as the Active WebMuseum it is important to define how the predictions are used to personalize the application and how the personalization is valued by the user. We propose the Multi-Corridor-Access-Paradigm as a model for formalizing the user interaction with a user-adapted Web site and therefore allowing the derivation of performance metrics related to the personalization performances. To improve the training phase when new user start using a collaborative filtering system, we propose several approaches for selecting objects for which preferences should be collected from the new users.