Action : AID - Systèmes de recommandations

<body bgcolor="#FFFFFF" text="#000000" link="#9944EE" vlink= "#0000FF" alink="#00FF00"> <h2><a name="SECTION00033000000000000000" id= "SECTION00033000000000000000">Systèmes de recommandations</a></h2> <a name="AID_fondements_Fondements-recommandation" id= "AID_fondements_Fondements-recommandation"></a> <p><strong>Mots clés :</strong> <i>Web, hypermedia, fouille de données, extraction de connaissances à partir de données, KDD, raisonnement à partir de cas, CBR filtrage collaboratif, calcul de recommandations .</i></p> <p>L'objectif d'un système de recommandations est d'aider les utilisateurs à faire leurs choix dans un domaine où ils disposent de peu d'informations pour trier et évaluer les alternatives possibles [<a href= "bibliographie_ct.html#Shardanand95" target= "contents">SM95</a>,<a href="bibliographie_ct.html#Resnick97" target="contents">RV97</a>,<a href= "bibliographie_ct.html#Konstan97" target= "contents">KMM+97</a>].</p> <p>Un système de recommandations peut être décomposé en trois entités de base (cf figure <a href= "fonde_Fondements-rec_ct.html#rec">1</a>) : le groupe d'agents <em>producteurs</em> de recommandations, le module de <em>calcul de recommandations</em> et le groupe de <em>consommateurs</em> des recommandations.</p> <div align="center"> <a name="rec" id="rec"></a><a name="224"></a> <table> <caption align="bottom"> <strong>Figure 1:</strong> Architecture générale d'un système de recommandation </caption> <tr> <td> <div align="center"> <img width="391" height="280" align="bottom" border="0" src="img1.png" alt= "\includegraphics[]{fig}" /> </div> </td> </tr> </table> </div> <p>Un défi majeur dans le domaine de la conception de systèmes de recommandations est le suivant :</p> <blockquote> <tt>Comment produire des recommandations <em>personnalisées</em> et de haute <em>qualité</em> tout en <em>minimisant l'effort</em> requis de la part des producteurs et des consommateurs.</tt> </blockquote> <p>Deux grandes approches complémentaires sont proposées dans la littérature : 1) l'approche basée sur le contenu et fondée sur l'apprentissage automatique de profils utilisateurs et 2) l'approche dite de filtrage collaboratif fondée sur des techniques de fouille de données. Le profil utilisateur est une structure de données qui décrit les centres d'intérêts d'un utilisateur dans l'espace des objets à recommander. Celui-ci est une structure construite dans la première approche ou donnée dans la seconde par l'utilisateur . ce profil est utilisée soit pour filtrer les objets disponibles (on parle alors de filtrage basé sur le contenu), soit pour recommander à l'utilisateur ce qui a satisfait d'autres utilisateurs ayant un profil similaire (on parle alors de filtrage collaboratif) [<a href= "bibliographie_ct.html#Resnick97" target= "contents">RV97</a>].</p> <p>Dans l'action AID, nous poursuivons le développement d'une approche hybride de calcul de recommandations basée sur l'analyse du contenu visité et centrée fouille de données où les comportements passés d'un <b>groupe</b> d'utilisateurs sont utilisés pour calculer les recommandations (cf. filtrage collaboratif). La plupart des autres approches fondées sur la fouille de données sont principalement des approches statistiques où l'ordre d'occurrence d'événements dans l'historique n'est pas pris en compte lors du calcul de recommandations. Citons comme exemple, dans le domaine d'aide à la navigation sur le Web, le système FootPrints [<a href= "bibliographie_ct.html#Wexelblat97" target= "contents">WM97</a>] et le système de Yan et al [<a href= "bibliographie_ct.html#Yan97" target= "contents">YJGMD96</a>].</p> <p>Les problèmes difficiles pour la mise en oeuvre de notre approche concernent les aspects suivants :</p> <ol> <li>fournir des techniques d'identification et d'extraction de comportements pertinents (i.e. des enseignements ou des cas) à partir des données brutes des historiques,</li> <li>définir des méthodes et des techniques de mesure de similarités entre comportements,</li> <li>définir des techniques d'inférence de recommandations personnalisées à partir des comportements pertinents passés identifiés (ou à partir des cas remémorés).</li> </ol> <p>Nous étudions l'ensemble des trois problèmes ci-dessus en explorant la possibilité d'application des techniques RàPC et plus généralement de l'ECD.<br /></p> <p>Nous étudions la classe de systémes de recommandations s'appuyant sur une <b>réutilisation d'expériences passées</b> issues d'un groupe d'utilisateurs utilisant des techniques de raisonnement à partir de cas (RàPC). Dans cette classe de systèmes, nous privilégions les deux types de systèmes suivants :</p> <ul> <li>ceux dont le calcul de recommandations se base sur une réutilisation d'expériences d'un groupe d'utilisateurs <b>recherchant de l'information</b> dans un système d'informations hypertexte comme le Web ou dans un site internet/intranet. Ces systèmes visent une <b>aide personnalisée</b> à l'activité de recherche d'informations ;</li> <li>ceux dont le calcul de recommandations s'appuie sur une <b>réutilisation d'expériences</b> passées issues d'<b>experts</b> en vue de fournir un aide à des activités de <b>conception</b>.</li> </ul> <hr /> </body>