Thèse soutenue

Système hybride d'adaptation dans les systèmes de recommandation
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Roza Lemdani
Direction : Yolaine Bourda
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 11/07/2016
Etablissement(s) : Université Paris-Saclay (ComUE)
Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
Partenaire(s) de recherche : établissement opérateur d'inscription : CentraleSupélec (2015-....)
Laboratoire : Laboratoire de recherche en informatique (Orsay, Essonne ; 1998-2020)
Jury : Président / Présidente : Anne Vilnat
Examinateurs / Examinatrices : Yolaine Bourda, Nacéra Seghouani-Bennacer, Bénédicte Le Grand
Rapporteurs / Rapporteuses : Anne Boyer, Nathalie Guin

Résumé

FR  |  
EN

Les systèmes de recommandation sont des outils servant à suggérer aux utilisateurs des items pouvant les intéresser. De tels systèmes requièrent la définition d'un algorithme prenant en compte le domaine d'application. Cet algorithme est ensuite exécuté pour chaque utilisateur du système afin de lui générer des recommandations, et ce, sans prendre en compte ses particularités et ses besoins spécifiques.L'objet de cette thèse consiste à proposer une nouvelle approche de recommandation hybride combinant plusieurs algorithmes de recommandation afin d'obtenir une recommandation plus précise. De plus, l'approche proposée repose sur la structure de l'ontologie donnée en entrée du système, ce qui la rend réutilisable, facilement adaptable et applicable à tous les domaines (musique, publications scientifiques, films, etc.).Nous nous sommes également intéressées à la détection du type de recommandations auxquelles l'utilisateur répond le mieux afin d'adapter le processus de recommandation à chaque catégorie d'utilisateur et d'obtenir des recommandations plus ciblées. Notre approche de recommandation permet également d'expliquer les recommandations obtenues, ce qui permet d'augmenter la confiance de l'utilisateur vis-à-vis du système en lui prouvant que ses recommandations lui sont personnellement destinées et de lui donner la possibilité de corriger les explications, ce qui améliore la connaissance de l'utilisateur par le système et aide à écarter les futures recommandations non pertinentes.Le système de recommandation défini a été expérimenté hors-ligne à l'aide d'une validation croisée sur le dataset de MovieLens et en ligne avec de vrais utilisateurs. Les résultats obtenus sont très satisfaisants.