Explications pour des recommandations manquantes fournies par des systèmes de recommandations fondés sur l'apprentissage automatique.

Explanations for missing recommendations in machine learning based recommenders

• Auteur / Autrice : Hervé-Madelein Attolou
• Direction : Dimitrios Kotzinos
• Type : Projet de thèse
• Discipline(s) : Stic - ed em2psi
• Date : Inscription en doctorat le 01/10/2020
• Etablissement(s) : CY Cergy Paris Université
• Ecole(s) doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI)
• Partenaire(s) de recherche : Laboratoire : ETIS - Equipes Traitement de l'Information et Systèmes

Mots clés

Mots clés libres

Systemes des recommandations explicables

Apprentissage automatique

Resultats manquants

Explainable recommendation systems

Machine learning

Why-not questions

Résumé

Dans l'ère du Big Data, trouver des informations pertinentes devient une tâche compliquée. Afin d'assister les utilisateurs dans leur tâches d'exploration de données, les moteurs de recommandations fournissent des suggestions ou des éléments de données aux utilisateurs en fonction de diverses caractéristiques, comme leurs préférences, leurs consultations et likes précédents, des utilisateurs similaires ou des variables de contexte. Cependant, les moteurs de recommandations sont des systèmes automatiques basés principalement sur l'apprentissage automatique et peuvent également produire des recommandations inattendues. Pour aider les utilisateurs à comprendre pourquoi certains éléments sont recommandés, et ainsi renforcer la confiance des utilisateurs envers le système, la recherche s'est récemment concentrée sur les moteurs de recommandations explicables, qui fournissent une explication avec la recommandation. Cette thèse s'inscrit dans le domaine des moteurs de recommandations explicables, en visant à fournir des informations sur les raisons pour lesquelles certains éléments ne sont pas recommandés. Les explications sur les éléments invisibles sont principalement utiles aux développeurs ou aux utilisateurs avertis qui observent des recommandations manquantes de manière inattendue. Dans le cas des développeurs, ces explications peuvent guider davantage leur processus de réparation du système. Dans cette thèse, nous prévoyons d'abord d'explorer et de définir les explications des recommandations manquantes. Deuxièmement, nous allons concevoir des techniques pour les calculer, en fonction de la catégorie du système de recommandation. En parallèle, nous allons explorer différentes méthodes de visualisation qui communiquent le mieux les explications. Enfin, nous allons tirer parti des explications pour aider les développeurs à régler automatiquement leurs moteurs de recommandations.

In the age of big data, finding pertinent information becomes a hard task. To aid users in their data exploration tasks, recommender systems provide suggestions or data items to users based on various characteristics, like their preferences, previous views, and likes, similar users, or context variables. However, recommenders are automatic systems mostly based on machine learning, and they may as well produce unexpected recommendations. To help users understand why certain items are recommended, and thus boost user confidence to the system, research has focused recently on explainable recommenders, which provide an explanation together with the recommendation. This thesis falls in the wider area of explainable recommenders, by aiming to provide insights for why certain items are not recommended. Explanations on unseen items are primarily useful to developers or knowledgeable users that observe unexpectedly missing recommendations. In the case of developers, such explanations can further guide their system-repairing process. In this thesis, we are first planning to explore and define explanations for missing recommendations. Second, we are going to conceive techniques to compute them, depending on the category of the recommender system. In parallel, we are going to explore different visualization methods that would best convey the explanations. Finally, we are going to leverage the explanations to aid the developers auto-tune their recommenders.