Thèse soutenue

Cadre interactif de fouille de motifs avec prise en compte des préférences de l'utilisateur
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Lobnury Hien
Direction : Samir LoudniPatrice Boizumault
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 07/12/2022
Etablissement(s) : Normandie
Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
Partenaire(s) de recherche : Laboratoire : Groupe de recherche en informatique, image, automatique et instrumentation de Caen (1995-....)
établissement de préparation : Université de Caen Normandie (1971-....)
Jury : Président / Présidente : Christophe Lecoutre
Examinateurs / Examinatrices : Christophe Lecoutre, Thi Bich Hanh Dao, Albrecht Zimmermann, Arnaud Soulet, Christine Solnon
Rapporteurs / Rapporteuses : Christophe Lecoutre, Thi Bich Hanh Dao

Résumé

FR  |  
EN

La recherche de motifs intéressants a fait évoluer la fouille de motifs vers un modèle centré sur l'utilisateur. Dans ce cadre, la fouille interactive de motifs permet de prendre en compte les préférences de l'utilisateur afin de guider la recherche vers les motifs pertinents. Elle consiste à alterner entre phases d’extraction de motifs et phases d’apprentissage sur les motifs intéressants en introduisant un mécanisme de feedback permettant à l'utilisateur d'exprimer ses préférences. Les préférences exprimées sont alors exploitées pour apprendre et mettre à jour un modèle de préférences qui sera utilisé pour extraire de nouveaux motifs plus intéressants.Cette démarche soulève de nombreux défis méthodologiques à relever parmi lesquelles la nécessité de produire rapidement des résultats diversifiés et le choix du modèle de représentation et d'exploitation des préférences exprimées. Les contributions de cette thèse concerne ainsi les point suivants : un cadre générique de fouille de motifs diversifiés exploitant la programmation par contrainte; l'exploitation de ce cadre pour l'échantillonnage de motifs diversifiés; une nouvelle classe de descripteurs exploitant les motifs discriminants; une nouvelle méthode d’apprentissage exploitant les motifs discriminants pour apprendre les préférences de l'utilisateur.