Industrial recommendation systems in big data context: efficient solutions for cold- start issues.

Abstract

De nos jours, avec l'émergence du web, la prise en compte de l'utilisateur lors du processus de recherche d'information est devenue une nécessite. Ce défi concède la satisfaction des attentes des utilisateurs et leur rétention ; qui est connu sous le nom de personnalisation. En effet, la personnalisation connue sous le nom de Systèmes de Recommandation est un domaine de recherche qui attire l'attention de nombreux chercheurs dans le but de proposer les produits les plus proches des gouts de chaque utilisateur. Cette thèse couvre l'étude des systèmes de recommandation, en mettant l'accent sur les différents types de problèmes de démarrage à froid. Dans une première contribution, nous avons résolu le problème du démarrage à froid des nouveaux utilisateurs. Pour cela, nous avons proposé un processus d'apprentissage actif basé sur une méthode de pondération des articles que nous avons appelé CCSDW. Cette méthode repose sur l'exploitation des évaluations multicritères pour évaluer l'importance des critères et calculer leur poids. Ensuite, les poids des critères sont utilisés pour calculer les poids des produits et les réordonner pour qu'ils soient évalues ensuite par le nouvel utilisateur au cours du processus de l' Active Learning (AL). Un autre problème important sur lequel nous nous sommes focalises est celui du nouveau produit. Nous avons résolu ce problème en utilisant un nouvel algorithme de clustering du contenu base sur la méthode HFSM (Hybrid Features Selection Method). Cette méthode permet de calculer les similarités entre les produits en fonction de leur contenu ce qui permet de compenser les votes manquants soit dans le cas d'items appartenant a la longue queue, ou bien pour les Nouveaux items.

Notre dernière contribution vise à intégrer toutes les approches développées précédemment dans une infrastructure de recommandation distribuée en exploitant les outils Big Data. Pour cela, nous avons établi un moteur de Recommandation à grande échelle par l'outil Spark. Les résultats expérimentaux ont montré une grande amélioration en terme du temps de calcul et en terme de qualité de recommandation.