Modélisation et apprentissage des préférences appliqués à la recommandation dans les systèmes d'impression - TEL - Thèses en ligne Access content directly
Theses Year : 2009

Preference modeling and learning with application to recommandation in print systems

Modélisation et apprentissage des préférences appliqués à la recommandation dans les systèmes d'impression

Abstract

Cette thèse porte sur la modélisation et l'apprentissage automatique des préférences, dans le contexte industriel de l'impression en grand format. En particulier, nous nous intéressons à l'automatisation de la configuration d'impression. De par la palette des comportements possibles, cette fonctionnalité n'est triviale, ni à concevoir, ni à utiliser. Nous proposons une nouvelle approche pour en améliorer les deux aspect complémentaires : évolutivité et utilisabilité. Notre réalisation principale est un système de recommandation adaptatif, basé sur trois contributions originales : une modélisation de la configuration d'impression grand format à partir d'un modèle de préférence, sous la forme de problèmes d'optimisation sous contraintes, un modèle des préférences de l'imprimeur, sous la forme de fonctions d'utilité additive linéaires par morceaux, basée sur une famille d'attributs adaptée, un algorithme d'apprentissage automatique d'ordonnancements à partir de données comparatives. Basé sur l'algorithme rankSVM (noyau linéaire), notre méthode d'apprentissage permet d'adapter la complexité de l'espace de description des données, tout en conservant la linéarité
No data
Fichier principal
Vignette du fichier
MEMOIRE_THESE_VINCENT_LABBE_AVEC_JURY.pdf (5.56 Mo) Télécharger le fichier
Loading...

Dates and versions

tel-00814267 , version 1 (16-04-2013)

Identifiers

  • HAL Id : tel-00814267 , version 1

Cite

Vincent Labbé. Modélisation et apprentissage des préférences appliqués à la recommandation dans les systèmes d'impression. Génie logiciel [cs.SE]. Université Pierre et Marie Curie - Paris VI, 2009. Français. ⟨NNT : 2009PA066276⟩. ⟨tel-00814267⟩
398 View
517 Download

Share

Gmail Facebook Twitter LinkedIn More