Capture d’écran 2014-10-19 à 15.55.16
Les systèmes à recommandation sont un moyen de recherche d’information aidant les utilisateurs de service en ligne à trouver des produits ou documents qui les intéressants. Ils figurent en bonne place sur les sites web les plus fréquentés (Youtube, Facebook, IMDb, Amazon,…) couvrant les contenus culturels, réseaux sociaux, la presse et le commerce en ligne, les réservations de voyage,…
Ces systèmes constituent, de façon générale, un axe de recherche important depuis une vingtaine d’années (par exemple le congrès annuel http://recsys.acm.org), sollicitant des compétsnces assez diverses en informatique (modélisation pour la prédiction, évaluation, intégration de textes, réseaux sociaux, confidentialité de données personnelles, interaction homme-machine,..) et ont été l’objet de très nombreuses propositions scisntifiques.
La plupart des propositions s’appuient sur une représentation à plat des données, comme une matrice utilisateurs-objets, pour prédire la relation entre utilisateurs et objets. Cependant, de très nombreux systèmes d’information, à commencer par les bases de données relationnelles, organisent les données sous forme relationnelle, impliquant plusieurs tables. Ces systèmes de gestion de base de données sont un outil fondamental performant et, pour plusieurs raisons, il n’est pas souhaitable de remettre les données à plat.
Une voie récente pour réaliser directement la modélisation et l’apprentissage à partir de telles données relationnelles consiste à exploiter les Modèles Probabilistes Relationnels (PRM), un outil de modélisation lié aux réseaux bayésiens. Ils modélisent à la fois l’incertitude sur les attributs des objets et l’incertitude sur les relations entre les objets. Cela doit leur permettre d’hybrider, dans un cadre unifié, différents types d’information contribuant à la recommandation : description (démographique) des utilisateurs, description des films, filtrage collaboratif. Par ailleurs, on espère de bonnes performances vis à vis des situations à faible quantité de données (quand peu de produits ont encore été évalués, quand de nouveaux utilisateurs et produits apparaissent).
Cet axe de travail est étudié, notamment dans le cadre des doctorats de Rajani Chulyadyo (doctorante CIFRE dans la startup tantaise DataforPeople) et Mouna Ben Ishak (doctorante en cotutelle avec le LARODEC, ISG de Tunis), encadrés à Nantes par Philippe Leray. La lecture peut être poursuivie par le rapport suivant, illustré sur le jeu de données MovieLens (évaluation de films par des spectateurs).
Ce travail a aussi fait l’objet de premières publications et présentations :
  • Chulyadyo, R. and Leray, P. (2014). A personalized recommender system from probabilistic relational model and users’ prefersnces. Procedia Computer Scisnce, 35(0):1063 – 1072. Knowledge-Based and Intelligent Information & Engineering Systems 18th Annual Confersnce, KES-2014 Gdynia, Poland, September 2014 Proceedings. [ http ]
  • Ben Ishak, M., Ben Amor, N., and Leray, P. (2013). A relational bayesian network-based recommender system architecture. In Proceedings of the 5th International Confersnce on Modeling, Simulation and Applied Optimization (ICMSAO 2013), pages 1-6, Hammamet, Tunisia. [ http ]
  • Ben Ishak, M., Chulyado, R., Abdelwahab, A., Ramirez, M., Leray, P., and Ben Amor, N. (2014a). Relational bayesian networks for recommender systems: review and comparative study. The 2014 ENBIS-SFdS Spring Meeting on graphical causality models.

Comments are closed.

Post Navigation