Thèse soutenue

Recommandations en séquences dans un espace multidimensions
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Pierre-Edouard Osché
Direction : Anne BoyerSylvain Castagnos
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 26/02/2021
Etablissement(s) : Université de Lorraine
Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine
Partenaire(s) de recherche : Laboratoire : Laboratoire lorrain de recherche en informatique et ses applications
Jury : Président / Présidente : Laurent Vigneron
Examinateurs / Examinatrices : Sylvain Castagnos, Laurent Vercouter, Sylvie Calabretto
Rapporteurs / Rapporteuses : Laurent Vercouter, Sylvie Calabretto

Résumé

FR  |  
EN

Les systèmes de recommandations représentent un thème de recherche fondamental à l'intersection entre plusieurs grandes disciplines telles que l'apprentissage automatique, l’interaction homme-machine et les sciences cognitives. L'objectif de ces systèmes est d’améliorer les interactions entre le grand public et les systèmes de recherche et d’accès à l’information. Face à des données hétérogènes et toujours plus nombreuses, Il est en effet devenu difficile pour un utilisateur d’accéder à des informations pertinentes satisfaisant ses demandes. Les systèmes actuels ont largement prouvé leur valeur ajoutée et reposent sur des techniques d'apprentissage variées. Néanmoins, si la modélisation temporelle et spatiale a été rendue possible, les modèles de l’état de l’art s’intéressant à l’ordre dans lequel les recommandations doivent être faites ou à la qualité globale d’une séquence de recommandations sont encore trop rares. Dans le cadre de cette thèse, nous nous attacherons à définir un nouveau formalisme et un cadre méthodologique permettant : (1) la définition de facteurs humains menant à la prise de décision et à la satisfaction des utilisateurs; (2) la construction d’un modèle générique et multicritères intégrant ces facteurs humains dans le but de recommander des ressources pertinentes s’inscrivant dans une séquence cohérente; (3) une évaluation holistique de la satisfaction utilisateur vis-à-vis de son parcours de recommandations. L’évaluation des recommandations, tous domaines confondus, se fait pour l’heure recommandation par recommandation, chaque métrique d’évaluation prise indépendamment. Il s’agira de proposer un cadre plus complet mesurant l’évolutivité et la complétude du parcours. Un tel modèle de recommandations multicritères présente de nombreux cadres applicatifs. À titre d’exemple, il peut être utilisé dans le cadre de l’écoute de musique en ligne avec la recommandation de playlists intelligentes et adaptatives. Il peut également être utile pour adapter le parcours de recommandation aux progrès de l’apprenant et au scénario pédagogique de l’enseignant dans un contexte d’e-éducation.