Modèles graphiques décomposables pour la décision individuelle et collective

Decomposable graphical models for individual and collective decision

• Auteur / Autrice : Sergio Queiroz
• Direction : Patrice Perny
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2008
• Etablissement(s) : Paris 6

Mots clés

Mots clés libres

Décompositions GAI

Modèles graphiques

Représentation compacte de préférences

Système de recommandation

Optimisation combinatoire

Résumé

Cette thèse porte sur l’utilisation des GAI-Nets, un modèle graphique pour la représentation compacte de préférences, pour atteindre des fonctionnalités propres à un système de recommandation dans le cadre où l’espace d’alternatives a une structure combinatoire de grande taille. Typiquement, les systèmes de recommandation sur le Web utilisent des techniques bien adaptées au conseil d’articles fortement standardisés, tels que les CDs et les DVDs, mais impraticables dans un cadre combinatoire. Par ailleurs, les systèmes de recommandation pour le cadre combinatoire sont souvent fondés sur des modèles supposant une indépendance entre attributs qui assure la modélisation des préférences par une utilité additive. Les GAI-Nets permettent des interactions entre les attributs, étant ainsi plus généraux. Nos problématiques clés sont le choix et le rangement des k-meilleures alternatives. Nous étudions également le problème de la recherche de solutions de compromis selon des critères non-linéaires dans le cadre de la décision collective/multicritère, et aussi l’élicitation des GAI-Nets. Nous proposons des algorithmes adaptés à la résolution de tels problèmes et, finalement, nous construisons une application Web pour appliquer les techniques développées dans une situation décisionnelle concrète.

This thesis focuses on the use of GAI-Nets, a graphical model for compact preference representation, in order to achieve the usual features of a recommender system in the context where the space of alternatives has a large combinatorial size. Typically, web recommender systems use techniques well suited to highly standardized items such as CDs and DVDs, but inappropriate to combinatorial contexts. In addition, recommender systems for combinatorial contexts are often based on models that assume a kind of independence between attributes that ensures modeling preferences by an additive utility. GAI-Nets allow for interactions between attributes, thus being more general. Our key problems are choice and ranking of the k-best alternatives. We also study the problem of finding compromise solutions according to non-linear criteria in the context of multiperson/multicriteria decision making, as well as the problem of eliciting GAI-Nets. We provide adequate algorithms to solve these problems and, finally, we build a web application to apply the developed techniques in a concrete decision setting.