Recommanding sequences in a multidimensional space - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Recommanding sequences in a multidimensional space

Recommandations en séquences dans un espace multidimensions

Résumé

Recommender systems represent a fundamental research field situated at the intersection of several major disciplines such as: machine learning, human-computer interaction and cognitive sciences. The objective of these systems is to improve interactions between the user and information access or retrieval systems. Facing heterogeneous and ever-increasing data, indeed it has become difficult for a user to access relevant information which would be satisfying his requests. Current systems have proven their added value, and they rely on various learning techniques. Nevertheless, despite temporal and spatial modeling has been made possible, state of the art models which are dealing with the order of recommendations or with the quality of a recommendation sequence are still too rare. In this thesis, we will focus on defining a new formalism and a methodological framework allowing: (1) the definition of human factors leading to decision making and user satisfaction; (2) the construction of a generic and multi-criteria model integrating these human factors with the aim of recommending relevant resources in a coherent sequence; (3) a holistic evaluation of user satisfaction with their recommendation path. The evaluation of recommendations, all domains combined, is currently done on a recommendation-by-recommendation basis, with each evaluation metric taken independently. The aim is to propose a more complete framework measuring the evolutivity and comprehensiveness of the path. Such a multi-criteria recommendation model has many application areas. For example, it can be used in the context of online music listening with the recommendation of intelligent and adaptive playlists. It can also be useful to adapt the recommendation path to the learner's progress and to the teacher's pedagogical scenario in an e-learning context.
Les systèmes de recommandations représentent un thème de recherche fondamental à l'intersection entre plusieurs grandes disciplines telles que l'apprentissage automatique, l’interaction homme-machine et les sciences cognitives. L'objectif de ces systèmes est d’améliorer les interactions entre le grand public et les systèmes de recherche et d’accès à l’information. Face à des données hétérogènes et toujours plus nombreuses, Il est en effet devenu difficile pour un utilisateur d’accéder à des informations pertinentes satisfaisant ses demandes. Les systèmes actuels ont largement prouvé leur valeur ajoutée et reposent sur des techniques d'apprentissage variées. Néanmoins, si la modélisation temporelle et spatiale a été rendue possible, les modèles de l’état de l’art s’intéressant à l’ordre dans lequel les recommandations doivent être faites ou à la qualité globale d’une séquence de recommandations sont encore trop rares. Dans le cadre de cette thèse, nous nous attacherons à définir un nouveau formalisme et un cadre méthodologique permettant : (1) la définition de facteurs humains menant à la prise de décision et à la satisfaction des utilisateurs; (2) la construction d’un modèle générique et multicritères intégrant ces facteurs humains dans le but de recommander des ressources pertinentes s’inscrivant dans une séquence cohérente; (3) une évaluation holistique de la satisfaction utilisateur vis-à-vis de son parcours de recommandations. L’évaluation des recommandations, tous domaines confondus, se fait pour l’heure recommandation par recommandation, chaque métrique d’évaluation prise indépendamment. Il s’agira de proposer un cadre plus complet mesurant l’évolutivité et la complétude du parcours. Un tel modèle de recommandations multicritères présente de nombreux cadres applicatifs. À titre d’exemple, il peut être utilisé dans le cadre de l’écoute de musique en ligne avec la recommandation de playlists intelligentes et adaptatives. Il peut également être utile pour adapter le parcours de recommandation aux progrès de l’apprenant et au scénario pédagogique de l’enseignant dans un contexte d’e-éducation.
Fichier principal
Vignette du fichier
DDOC_T_2021_0070_OSCHE.pdf (8.38 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-03248061 , version 1 (03-06-2021)

Identifiants

  • HAL Id : tel-03248061 , version 1

Citer

Pierre-Edouard Osche. Recommanding sequences in a multidimensional space. Computer Science [cs]. Université de Lorraine, 2021. English. ⟨NNT : 2021LORR0070⟩. ⟨tel-03248061⟩
111 Consultations
115 Téléchargements

Partager

Gmail Facebook X LinkedIn More