Une Technique Hybride pour les Systèmes de Recommandation
No Thumbnail Available
Date
2016
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Le travail présenté dans ce manuscrit se situe dans le domaine des systèmes de
recommandation qui a devenu une méthodologie dominante dans la majorité des applications
Web, y compris les sites web de commerce comme Amazon.com, les TVs en ligne …etc,
pour suggérer des articles et produits pour les consommateurs qui correspondent à leurs
préférences et intérêts. Dans les recherches récentes, la performance des systèmes de
recommandation a été limitée à leur capacité à prédire les items non vus par les utilisateurs et
de leurs recommander les items avec les évaluations des prédictions les plus élevées. En plus
de la performance de prédiction un bon recommandeur devrait offrir des items pertinents et
divers qui correspondent aux différents choix et goûts d'intérêt des utilisateurs. Cependant, le
manque de diversité et la stabilité des systèmes de recommandation par rapport au profil
dynamique de l'utilisateur deviennent des défis majeurs. Nous proposons dans cette thèse,
deux contributions distinctes pour améliorer la diversité dans les listes de recommandation et
rendre les recommandeurs plus adaptatifs aux changements des préférences des utilisateurs.
Dans la première contribution, un système de recommandation hybride flou capable de
générer des recommandations multi-goûts, en fonction de la variation du profil de l'utilisateur,
est proposé. Pour faire face à l'incertitude dans le comportement de l'utilisateur, le système
affecte les utilisateurs à différents groupes en utilisant une nouvelle approche du filtrage
collaboratif flou basé sur les techniques de l’Intelligence Artificielle. La deuxième
contribution consiste à augmenter la diversité dans les listes de recommandation tout en
considérant la dégradation en performance, en recommandant des items divers et nouveaux
pour l’utilisateur qui sont dissimilaires à ses préférences, en utilisant une nouvelle formule
pour juger la pertinence des items pour l’utilisateur. La nouvelle formule utilise la notion de
niveau de similarité entre l’utilisateur et les items dissimilaires, en termes d’existence de
voisins des voisins de l’utilisateur qui ont évalué les items. Une troisième proposition sera
également présentée qui consiste à hybrider entre la phase du filtrage collaboratif basé flou
avec la méthode de diversification basée sur le niveau de similarité, pour en équilibrer le
compromis entre performance et diversité. La performance de nos contributions est testée à
travers plusieurs expérimentations menées sur la base de films MoviLens, et puis intégrées sur
la plateforme Moodle, afin de prouver l’efficacité des propositions et fournir de nouvelles
perspectives.