Nouvelles techniques de recommandation et de détection des communautés

Abstract

Si la technologie est un prolongement naturel du comportement des utilisateurs, l’adaptation des différentes solutions techniques devrait permettre idéalement de simplifier les activités humaines dans leurs formes originales. Le comportement naturel humain d’une personne consiste à s’inspirer des expériences d’autres personnes. Ce type d’induction constitue l’essence de l’intelligence collective de la communauté afin de satisfaire le besoin de l’utilisateur. L’intelligence collective et la sensibilité au contexte, sont deux technologies utilisées dans les systèmes intelligents. La première permet d’apprendre et de dériver de nouvelles informations à partir de la composition d’expériences de leurs utilisateurs. La seconde rend ces systèmes capables de raisonner sur leur connaissance abstraite sur ce qui se passe. Tous les agents intelligents comme les systèmes de recommandation peuvent obtenir des informations personnalisées. En effet, ce sont des systèmes qui ont pour objectif d’aider les utilisateurs à trouver des items intéressants, prévoir l'information pertinente qui répondra à leur satisfaction et leurs besoins réels grâce à un processus de recueil, de filtrage et de recommandation. Avec l’énorme masse d’information circulant dans le Web, il est de plus en plus difficile de trouver rapidement et efficacement les informations nécessaires et utiles. Cependant, avec l’apparition des systèmes de recommandation au cours des années 90, la réduction de la surcharge d'information est devenue facile. L’idée de départ lors de développement du système de recommandation, était d’observer simplement que l’utilisateur a tendance à s’appuyer sur les recommandations des autres utilisateurs pour la prise de la décision. Le filtrage collaboratif est considéré comme la technique de recommandation la plus réussie. En effet, il est le plus utilisé dans les systèmes de recommandation pour le e-commerce. Cette technique permet de recommander un élément à un utilisateur en fonction des profils des utilisateurs qui lui sont les plus proches. De nos jours, la dernière génération des méthodes de Filtrage Collaboratif nécessite encore des améliorations supplémentaires pour rendre la recommandation plus efficace et plus précise. La plupart des algorithmes de filtrage collaboratif existants souffrent encore du problème de la rareté, l'évolutivité et le démarrage à froid.

Dans cette thèse, nous proposons des solutions pour ces problèmes rencontrés dans le filtrage collaboratif via quatre méthodes. Le filtrage collaboratif multicritère basé -item (MCCR, Multi-Criteria Collaborative Recommender) et sa nouvelle formulation théorique pour améliorer la recommandation et résoudre le problème de la rareté. La méthode de regroupement (STGM, Straight Through Grouping Model) pour obtenir les communautés, résoudre le problème de l’évolutivité et le problème de démarrage à froid. La méthode de recommandation d’une liste d’items sans calcul de prédiction basée sur la co-dissimilarité et l’arbre couvrant de poids minimum (RMCS, Recommendation model based on Co-dissimilarity and Spanning Tree) basée sur la théorie des graphes. Finalement, la méthode proposée pour la classification des mesures des similarités (Logical Actions of trees for the comparison of Classification Methods, LATCCM) utilisées dans les systèmes de recommandation pour améliorer leurs performances.