Vers des systèmes de recommandation diversifiés
Auteur / Autrice : | Lu Gan |
Direction : | Sylvie Calabretto, Diana Nurbakova |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 30/05/2022 |
Etablissement(s) : | Lyon |
Ecole(s) doctorale(s) : | École doctorale en Informatique et Mathématiques de Lyon (Lyon ; 2009-....) |
Partenaire(s) de recherche : | établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....) |
Laboratoire : LIRIS - Laboratoire d'Informatique en Image et Systèmes d'information (Rhône ; 2003-....) - Laboratoire d'InfoRmatique en Image et Systèmes d'information / LIRIS | |
Equipe de recherche : DRIM - Distribution, Recherche d'Information et Mobilité | |
Jury : | Président / Présidente : Patrice Bellot |
Examinateurs / Examinatrices : Sylvie Calabretto, Diana Nurbakova, Patrice Bellot, Anne Boyer, Chantal Soulé-Dupuy, Jaap Kamps | |
Rapporteurs / Rapporteuses : Anne Boyer, Chantal Soulé-Dupuy |
Mots clés
Résumé
Les systèmes de recommandation (RS) sont largement appliqués dans la vie réelle pour fournir des recommandations personnalisées pour satisfaire les besoins des utilisateurs. Dans les modèles de recommandation top-N classiques, les historiques d’interactions entre utilisateur et éléments sont recueillies et exploitées pour apprendre et prédire des listes de top-N éléments. Mais nous sommes également conscients que les informations auxiliaires côté utilisateur et côté élément peuvent contribuer à améliorer la qualité des recommandations. En termes de mesures de performance de recommandation, la précision a été le principal objectif dans le domaine, bien que des travaux aient souligné qu’une précision optimale n’égale pas une satisfaction optimale des utilisateurs vis-à-vis de la recommandation. Un modèle de recommandation centré sur la précision peut renvoyer des résultats redondants lors de la fourniture du service. Il est donc essentiel d’apporter d’autres objectifs dans la recommandation pour atténuer ces problèmes. Dans cette thèse, nous nous concentrons sur l’étude conjointe de la diversité et de la précision en tant qu’objectifs de recommandation, car nous considérons qu’une recommandation diversifiée aide à atténuer les problèmes générés par la recommandation centrée sur la précision. Nous prenons également en compte les informations auxiliaires côté élément pour améliorer la précision. Ainsi, nous proposons des recommandations diversifiées top-N basées sur le plongement de graphes de connaissances pour atteindre à la fois une haute précision et une grande diversité dans les listes de recommandations. Notre première contribution est DivKG, un modèle qui combine le plongement de graphes de connaissances (KGE) et les processus ponctuels déterminantaux (DPP). Nous proposons une nouvelle méthode de construction de matrice de noyau DPP personnalisée qui utilise des résultats de KGE pour la diversification DPP. Notre deuxième contribution est EMDKG, un modèle qui encode la diversité sémantique dans les représentations d’éléments et réalise un meilleur compromis par rapport aux méthodes de l’état de l’art en termes de précision et de diversité.