Factorisation matricielle, application à la recommandation personnalisée de préférences

Matrix factorization, application to preference prediction in recommender systems

• Auteur / Autrice : Julien Delporte
• Direction : Stéphane Canu
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 03/02/2014
• Etablissement(s) : Rouen, INSA
• Ecole(s) doctorale(s) : École doctorale sciences physiques mathématiques et de l'information pour l'ingénieur (Saint-Etienne-du-Rouvray, Seine-Maritime ; ....-2016)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...)
• Jury : Président / Présidente : Dominique Fourdrinier
• Jury : Examinateurs / Examinatrices : Anne Boyer, Michèle Sebag
• Jury : Rapporteurs / Rapporteuses : Younès Bennani, Gérard Govaert

Mots clés

Mots clés contrôlés

Ponts mixtes acier-béton

Optimisation mathématique

Mots clés libres

Matrice

Factorisation

Optimisation

Apprentissage

Recommandation

Fouille de données

Matrix

Factorization

Optimization

Machine learning

Recommender systems

Data mining

Résumé

Cette thèse s'articule autour des problèmes d'optimisation à grande échelle, et plus particulièrement autour des méthodes de factorisation matricielle sur des problèmes de grandes tailles. L'objectif des méthodes de factorisation de grandes matrices est d'extraire des variables latentes qui permettent d'expliquer les données dans un espace de dimension réduite. Nous nous sommes intéressés au domaine d'application de la recommandation et plus particulièrement au problème de prédiction de préférences d'utilisateurs.Dans une contribution, nous nous sommes intéressés à l'application de méthodes de factorisation dans un environnement de recommandation contextuelle et notamment dans un contexte social.Dans une seconde contribution, nous nous sommes intéressés au problème de sélection de modèle pour la factorisation où l'on cherche à déterminer de façon automatique le rang de la factorisation par estimation de risque.

This thesis focuses on large scale optimization problems and especially on matrix factorization methods for large scale problems. The purpose of such methods is to extract some latent variables which will explain the data in smaller dimension space. We use our methods to address the problem of preference prediction in the framework of the recommender systems. Our first contribution focuses on matrix factorization methods applied in context-aware recommender systems problems, and particularly in socially-aware recommandation.We also address the problem of model selection for matrix factorization which ails to automatically determine the rank of the factorization.