Search

Recommender systems are among the promising fields of machine learning, which haverevolutionized the information retrieval.The context of our thesis is the Moroccan Institute for Scientific and Technical Information(IMIST), having as an objective to design and implement a recommender system based on logdata, according to the collaborative filtering approach.To achieve these objectives, we first began to identify the IMIST's need for a recommendersystem, then we design and carry out a prototype based on user’s implicit data to providerecommendations.It should be noted that it was necessary to convert the implicit data of the users into explicitdata in the form of scores, in order to exploit them.This prototype distinguishes between the anonymous user and the subscriber user.The implementation of the system was done in a Spark environment, using the Scala languageand the ALS Train Implicit model of the matrix factorization.; Les systèmes de recommandations font partie des modèles d’apprentissage automatique quitransforment la recherche de l’information. C’est dans ce cadre que s’inscrit notre thèse qui a pour objectif principal de concevoir et mettreen oeuvre un modèle de système de recommandation basé sur les données implicites d’unéchantillon des utilisateurs de l’Institut Marocain de la Recherche Scientifique et Technique(IMIST), en s’appuyant sur l’approche de filtrage collaboratif.Notre contribution est ensuite la mise en place d’un prototype de système de recommandationadapté, reposant sur les données implicites des utilisateurs, afin de leur fournir desrecommandations pertinentes de documentsL’implémentation du système a été effectuée dans un environnement Spark dédié àl’apprentissage automatique à l’aide du langage Scala et moyennant le modèle des moindrescarrés alternés (ALS) de factorisation matricielle, appartenant aux méthodes de filtragecollaboratif à base de modèle.

In the current information overload context caused by the large volume of accessible digital data, recommender systems allow to guide the user in his/her learning, shopping, leisure, music listening, reading activities..., by suggesting personalized items. To do so, recommendation models predict users' preferences for their unrated items. Classical recommendation approaches, such as collaborative filtering, for example, rely on data collected through user feedback, usually in the form of a rating matrix, and try to discover relevant information to characterize and predict user tastes. In addition to the user feedback data, the knowledge related to items themselves also represents a major asset for improving the performance of recommendation systems. Knowledge engineering, more specifically the semantic Web and knowledge graphs, can play a central role. In this context, our research works propose different ways to improve recommendation systems, adopting a “from-data-to-knowledge” transversal vision, and consider three different recommendation aspects: accuracy, diversification and explicability.Our first contribution is mainly focused on pure user feedback data. It aims at improving the accuracy of recommendations in terms of the prediction of users’ tastes. We propose EBCR (Empirical Bayes Concordance Ratio), a simple and generic method inspired by Bayesian inference, which allows to adjust the similarity computations between users (or between items) in collaborative filtering, according to the number of co-rated items (or the number of users having rated the same item). Experiments conducted on benchmark datasets have confirmed that this method systematically improves the predictive accuracy of collaborative filtering for all considered similarity measures.Our second contribution concerns the diversification of recommendations. We have conducted an in-depth study to compare and analyze the performance of seven recommendation models including classical models such as collaborative filtering and latent factor models as well as more recent ones based on deep neural networks and knowledge graph embeddings. We have evaluated their ability to provide diversified items and proposed an approach that allows adjusting diversity to specific user needs. In order to estimate the diversity of recommendations, we considered semantic similarity measures by leveraging the semantic Web and knowledge graphs.Finally, our third contribution concerns the explicability of recommendations. Here, we further exploit domain knowledge and propose a post-hoc recommendation explanation approach that effectively accounts for the hierarchy of item properties within the DBpedia knowledge graph. Evaluation results of our approach based on an online user study including 155 participants suggest significant improvements in terms of engagement, trust and persuasion., Dans le contexte actuel de surcharge causée par l'important volume de données numériques accessibles, les systèmes de recommandation permettent de guider l'utilisateur dans ses activités d'apprentissages, d'achats, de loisir, d'écoute musicale, de lectures..., en lui suggérant des items personnalisés. Pour cela, ils prédisent ses préférences relativement aux items qu'il n'a pas encore évalués. Des approches classiques de recommandation, comme le filtrage collaboratif par exemple, reposent sur les données collectées par le biais de retours d'utilisateurs, généralement sous la forme d'une matrice de notes, et tentent d'y découvrir les informations pertinentes pour caractériser et prédire les goûts des utilisateurs. En complément de ces données, les connaissances liées aux items eux-mêmes représentent également un atout majeur pour l'amélioration des performances des systèmes de recommandation. L'ingénierie des connaissances, plus spécifiquement le Web sémantique et les graphes de connaissances, peuvent y jouer un rôle central. Tel est le cadre de notre travail de recherche qui propose différentes voies d'amélioration des systèmes de recommandation, adoptant une vision transversale « des données aux connaissances », et ce sur trois aspects différents : la pertinence (accuracy), la diversification et l'explicabilité des recommandations.Notre première contribution est principalement axée sur les données. Elle concerne l'accuracy des recommandations en termes de prédiction des goûts des utilisateurs. Nous proposons EBCR (Empirical Bayes Concordance Ratio), une méthode simple et générique inspirée de l'inférence bayésienne, qui permet d'ajuster les calculs de similarité entre utilisateurs (ou entre items) mis en œuvre dans le filtrage collaboratif. Cet ajustement est réalisé en fonction du nombre d'items co-notés (ou du nombre d'utilisateurs ayant noté un même item). Les expériences menées sur des jeux de données de référence ont confirmé que cette méthode améliore systématiquement l'accuracy du filtrage collaboratif pour toutes les mesures de similarité considérées.Notre deuxième contribution concerne la diversification des recommandations. Nous avons mené une étude approfondie visant à comparer et analyser la performance de sept modèles de recommandation incluant des modèles classiques comme le filtrage collaboratif et le facteur latent ainsi que ceux, plus récents, se basant sur les réseaux de neurones profonds ou les plongements (embeddings) de graphe de connaissances. Nous avons évalué leur capacité à fournir des items diversifiés et proposé une approche qui permet d'ajuster la diversité aux besoins spécifiques des utilisateurs. Afin d'estimer la diversité des recommandations, nous avons considéré des mesures de similarité sémantique en tirant parti des connaissances liées aux items à l'aide du Web sémantique.Enfin, notre troisième contribution concerne l'explicabilité des recommandations. Ici, nous exploitons plus en profondeur les connaissances du domaine, en proposant une approche de l'explication post-hoc des recommandations qui considère efficacement la hiérarchie des concepts au sein du graphe de connaissances de DBpedia. Les résultats de l'évaluation de notre approche basée sur une étude comprenant 155 participants suggèrent des améliorations significatives en termes d'engagement, de confiance et de persuasion.

Depuis ses fondements, le domaine de l’Interaction Homme-Machine (IHM) est marqué par le souci constant de concevoir et de produire des systèmes numériques utiles et utilisables, c’est-à-dire adaptés aux utilisateurs dans leur contexte. Vu le développement exponentiel des recherches dans les IHM, deux états des lieux s’imposent dans les environnements en ligne : le concept de confiance et le comportement de l’usager. Ces deux états ne cessent de proliférer dans la plupart des solutions conçues et sont à la croisée des travaux dans les interfaces de paiements en ligne et dans les systèmes de recommandation. Devant les progrès des solutions conçues, l’objectif de cette recherche réside dans le fait de mieux comprendre les différents enjeux dans ces deux domaines, apporter des améliorations et proposer de nouvelles solutions adéquates aux usagers en matière de perception et de comportement en ligne. Outre l’état de l’art et les problématiques, ce travail est divisé en cinq parties principales, chacune contribue à mieux enrichir l’expérience de l’usager en ligne en matière de paiement et recommandations en ligne : • Analyse des multi-craintes en ligne : nous analysons les différents facteurs des sites de commerce électronique qui influent directement sur le comportement des consommateurs en matière de prise de décision et de craintes en ligne. Nous élaborons une méthodologie pour mesurer avec précision le moment où surviennent la question de la confidentialité, les perceptions en ligne et les craintes de divulgation et de pertes financières. • Intégration de personnalisation, contrôle et paiement conditionnel : nous proposons une nouvelle plateforme de paiement en ligne qui supporte à la fois la personnalisation et les paiements multiples et conditionnels, tout en préservant la vie privée du détenteur de carte. • Exploration de l’interaction des usagers en ligne versus la sensibilisation à la cybersécurité : nous relatons une expérience de magasinage en ligne qui met en relief la perception du risque de cybercriminalité dans les activités en ligne et le comportement des utilisateurs lié à leur préoccupation en matière de confidentialité. • Équilibre entre utilité des données et vie privée : nous proposons un modèle de préservation de vie privée basé sur l’algorithme « k-means » et sur le modèle « k-coRating » afin de soutenir l’utilité des données dans les recommandations en ligne tout en préservant la vie privée des usagers. • Métrique de stabilité des préférences des utilisateurs : nous ciblons une meilleure méthode de recommandation qui respecte le changement des préférences des usagers par l’intermédiaire d’un réseau neural. Ce qui constitue une amélioration à la fois efficace et performante pour les systèmes de recommandation. Cette thèse porte essentiellement sur quatre aspects majeurs liés : 1) aux plateformes des paiements en ligne, 2) au comportement de l’usager dans les transactions de paiement en ligne (prise de décision, multi-craintes, cybersécurité, perception du risque), 3) à la stabilité de ses préférences dans les recommandations en ligne, 4) à l’équilibre entre vie privée et utilité des données en ligne pour les systèmes de recommandation., Technologies in Human-Machine Interaction (HMI) are playing a vital role across the entire production process to design and deliver advanced digital systems. Given the exponential development of research in this field, two concepts are largely addressed to increase performance and efficiency of online environments: trust and user behavior. These two extents continue to proliferate in most designed solutions and are increasingly enriched by continuous investments in online payments and recommender systems. Along with the trend of digitalization, the objective of this research is to gain a better understanding of the various challenges in these two areas, make improvements and propose solutions more convenient to the users in terms of online perception and user behavior. In addition to the state of the art and challenges, this work is divided into five main parts, each one contributes to better enrich the online user experience in both online payments and system recommendations: • Online customer fears: We analyze different components of the website that may affect customer behavior in decision-making and online fears. We focus on customer perceptions regarding privacy violations and financial loss. We examine the influence on trust and payment security perception as well as their joint effect on three fundamentally important customers’ aspects: confidentiality, privacy concerns and financial fear perception. • Personalization, control and conditional payment: we propose a new online payment platform that supports both personalization and conditional multi-payments, while preserving the privacy of the cardholder. • Exploring user behavior and cybersecurity knowledge: we design a new website to conduct an experimental study in online shopping. The results highlight the impact of user’s perception in cybersecurity and privacy concerns on his online behavior when dealing with shopping activities. • Balance between data utility and user privacy: we propose a privacy-preserving method based on the “k-means” algorithm and the “k-coRating” model to support the utility of data in online recommendations while preserving user’s privacy. • User interest constancy metric: we propose a neural network to predict the user’s interests in recommender systems. Our aim is to provide an efficient method that respects the constancy and variations in user preferences. In this thesis, we focus on four major contributions related to: 1) online payment platforms, 2) user behavior in online payments regarding decision making, multi-fears and cyber security 3) user interest constancy in online recommendations, 4) balance between privacy and utility of online data in recommender systems.

With the unprecedented growth of user-generated content produced on microblogging platforms, finding interesting content for a given user has become a major issue. However due to the intrinsic properties of microblogging systems, such as the volumetry, the short lifetime of posts and the sparsity of interactions between users and content, recommender systems cannot rely on traditional methods, such as collaborative filtering matrix factorization. After a thorough study of a large Twitter dataset, we present a propagation model which relies on homophily to propose post recommendations. Our approach relies on the construction of a similarity graph based on retweet behaviors on top of the Twitter graph. We then conduct experiments on our real dataset to demonstrate the quality and scalability of our method. Finally, we investigate community detection algorithms and we present a metric to compute the strength of the filter bubble. Our results show that filter bubble effects are in fact limited for a majority of users. We find that, counter-intuitively, in most cases recommender systems tend to open users perspectives. However, for some specific users, the bubble effect is noticeable and we propose a model relying on communities to provide a list of recommendations closer to the user’s usage of the platform.; Avec la croissance sans précédent des publications sur les plateformes de micro-blogging, trouver du contenu intéressant pour un utilisateur est devenu un enjeu majeur. Cependant, en raison des propriétés intrinsèques des plateformes de micro–blogging, comme le flux gigantesque de messages arrivant tous les jours et leur faible durée de vie, il est difficile d’appliquer les méthodes traditionnelles de recommandation comme la factorisation matricielle. Après une étude approfondie d’un large jeu de donnée issu de Twitter, nous présentons un modèle de propagation qui repose sur l’homophilie présente dans le réseau pour recommander des messages aux utilisateurs. Notre approche s’appuie sur la construction d’un graphe de similarités lié aux interactions des utilisateurs. Nous présentons plusieurs expérimentations pour démontrer la qualité de prédiction de notre modèle et sa capacité à passer à l’échelle. Enfin, nous évaluons différents algorithmes de détections de communautés, qui permettent d’évaluer l’impact des systèmes de recommandations sur l’isolement communautaire des utilisateurs. Nous proposons une métrique permettant de quantifier la force des bulles filtrantes et nos résultats montrent que cet effet de bulle filtrante est en réalité limité pour une majorité d’utilisateurs. Il semble que, de façon contre intuitive, dans la majorité des cas les systèmes de recommandation ouvrent les perspectives des utilisateurs. Cependant, une minorité de personnes est concerné par l’effet de bulle et nous proposons donc un modèle reposant sur les liens entre communautés pour adapter les recommandations afin d’être plus en accord avec leur profil communautaire.

Our research focuses on the recommendation of new job offers that have just been posted and have no interaction history (cold start). To this objective, we adapt well-knowns recommendations systems in the field of e-commerce by exploiting the record of use of all job seekers on previous offers. One of the specificities of the work presented is to have considered real data, and to have tackled the challenges of heterogeneity and noise of textual documents. The presented contribution integrates the information of the collaborative data to learn a new representation of text documents, which is required to make the so-called cold start recommendation of a new offer. The new representation essentially aims to build a good metric. The search space considered is that of neural networks. Neural networks are trained by defining two loss functions. The first seeks to preserve the local structure of collaborative information, drawing on non-linear dimension reduction approaches. The second is inspired by Siamese networks to reproduce the similarities from the collaborative matrix. The scaling up of the approach and its performance are based on the sampling of pairs of offers considered similar. The interest of the proposed approach is demonstrated empirically on the real and proprietary data as well as on the CiteULike public benchmark. Finally, the interest of the approach followed is attested by our participation in a good rank in the international challenge RecSys 2017 (15/100, with millions of users and millions of offers).; Notre recherche porte sur la recommandation de nouvelles offres d'emploi venant d'être postées et n'ayant pas d'historique d'interactions (démarrage à froid). Nous adaptons les systèmes de recommandations bien connus dans le domaine du commerce électronique à cet objectif, en exploitant les traces d'usage de l'ensemble des demandeurs d'emploi sur les offres antérieures. Une des spécificités du travail présenté est d'avoir considéré des données réelles, et de s'être attaqué aux défis de l'hétérogénéité et du bruit des documents textuels. La contribution présentée intègre l'information des données collaboratives pour apprendre une nouvelle représentation des documents textes, requise pour effectuer la recommandation dite à froid d'une offre nouvelle. Cette représentation dite latente vise essentiellement à construire une bonne métrique. L'espace de recherche considéré est celui des réseaux neuronaux. Les réseaux neuronaux sont entraînés en définissant deux fonctions de perte. La première cherche à préserver la structure locale des informations collaboratives, en s'inspirant des approches de réduction de dimension non linéaires. La seconde s'inspire des réseaux siamois pour reproduire les similarités issues de la matrice collaborative. Le passage à l'échelle de l'approche et ses performances reposent sur l'échantillonnage des paires d'offres considérées comme similaires. L'intérêt de l'approche proposée est démontrée empiriquement sur les données réelles et propriétaires ainsi que sur le benchmark publique CiteULike. Enfin, l'intérêt de la démarche suivie est attesté par notre participation dans un bon rang au challenge international RecSys 2017 (15/100; un million d'utilisateurs pour un million d'offres).

Our research focuses on the recommendation of new job offers that have just been posted and have no interaction history (cold start). To this objective, we adapt well-knowns recommendations systems in the field of e-commerce by exploiting the record of use of all job seekers on previous offers. One of the specificities of the work presented is to have considered real data, and to have tackled the challenges of heterogeneity and noise of textual documents. The presented contribution integrates the information of the collaborative data to learn a new representation of text documents, which is required to make the so-called cold start recommendation of a new offer. The new representation essentially aims to build a good metric. The search space considered is that of neural networks. Neural networks are trained by defining two loss functions. The first seeks to preserve the local structure of collaborative information, drawing on non-linear dimension reduction approaches. The second is inspired by Siamese networks to reproduce the similarities from the collaborative matrix. The scaling up of the approach and its performance are based on the sampling of pairs of offers considered similar. The interest of the proposed approach is demonstrated empirically on the real and proprietary data as well as on the CiteULike public benchmark. Finally, the interest of the approach followed is attested by our participation in a good rank in the international challenge RecSys 2017 (15/100, with millions of users and millions of offers)., Notre recherche porte sur la recommandation de nouvelles offres d'emploi venant d'être postées et n'ayant pas d'historique d'interactions (démarrage à froid). Nous adaptons les systèmes de recommandations bien connus dans le domaine du commerce électronique à cet objectif, en exploitant les traces d'usage de l'ensemble des demandeurs d'emploi sur les offres antérieures. Une des spécificités du travail présenté est d'avoir considéré des données réelles, et de s'être attaqué aux défis de l'hétérogénéité et du bruit des documents textuels. La contribution présentée intègre l'information des données collaboratives pour apprendre une nouvelle représentation des documents textes, requise pour effectuer la recommandation dite à froid d'une offre nouvelle. Cette représentation dite latente vise essentiellement à construire une bonne métrique. L'espace de recherche considéré est celui des réseaux neuronaux. Les réseaux neuronaux sont entraînés en définissant deux fonctions de perte. La première cherche à préserver la structure locale des informations collaboratives, en s'inspirant des approches de réduction de dimension non linéaires. La seconde s'inspire des réseaux siamois pour reproduire les similarités issues de la matrice collaborative. Le passage à l'échelle de l'approche et ses performances reposent sur l'échantillonnage des paires d'offres considérées comme similaires. L'intérêt de l'approche proposée est démontrée empiriquement sur les données réelles et propriétaires ainsi que sur le benchmark publique CiteULike. Enfin, l'intérêt de la démarche suivie est attesté par notre participation dans un bon rang au challenge international RecSys 2017 (15/100; un million d'utilisateurs pour un million d'offres).

With the unprecedented growth of user-generated content produced on microblogging platforms, finding interesting content for a given user has become a major issue. However due to the intrinsic properties of microblogging systems, such as the volumetry, the short lifetime of posts and the sparsity of interactions between users and content, recommender systems cannot rely on traditional methods, such as collaborative filtering matrix factorization. After a thorough study of a large Twitter dataset, we present a propagation model which relies on homophily to propose post recommendations. Our approach relies on the construction of a similarity graph based on retweet behaviors on top of the Twitter graph. We then conduct experiments on our real dataset to demonstrate the quality and scalability of our method. Finally, we investigate community detection algorithms and we present a metric to compute the strength of the filter bubble. Our results show that filter bubble effects are in fact limited for a majority of users. We find that, counter-intuitively, in most cases recommender systems tend to open users perspectives. However, for some specific users, the bubble effect is noticeable and we propose a model relying on communities to provide a list of recommendations closer to the user’s usage of the platform., Avec la croissance sans précédent des publications sur les plateformes de micro-blogging, trouver du contenu intéressant pour un utilisateur est devenu un enjeu majeur. Cependant, en raison des propriétés intrinsèques des plateformes de micro–blogging, comme le flux gigantesque de messages arrivant tous les jours et leur faible durée de vie, il est difficile d’appliquer les méthodes traditionnelles de recommandation comme la factorisation matricielle. Après une étude approfondie d’un large jeu de donnée issu de Twitter, nous présentons un modèle de propagation qui repose sur l’homophilie présente dans le réseau pour recommander des messages aux utilisateurs. Notre approche s’appuie sur la construction d’un graphe de similarités lié aux interactions des utilisateurs. Nous présentons plusieurs expérimentations pour démontrer la qualité de prédiction de notre modèle et sa capacité à passer à l’échelle. Enfin, nous évaluons différents algorithmes de détections de communautés, qui permettent d’évaluer l’impact des systèmes de recommandations sur l’isolement communautaire des utilisateurs. Nous proposons une métrique permettant de quantifier la force des bulles filtrantes et nos résultats montrent que cet effet de bulle filtrante est en réalité limité pour une majorité d’utilisateurs. Il semble que, de façon contre intuitive, dans la majorité des cas les systèmes de recommandation ouvrent les perspectives des utilisateurs. Cependant, une minorité de personnes est concerné par l’effet de bulle et nous proposons donc un modèle reposant sur les liens entre communautés pour adapter les recommandations afin d’être plus en accord avec leur profil communautaire.

Face to the ongoing rapid expansion of the Internet, user requires help to access to items that may interest her or him. A personalized recommender system filters relevant items from huge catalogue to particular user by observing his or her behavior. The approach based on observing user behavior from his interactions with the website is called usage analysis. Collaborative Filtering and Content-Based filtering are the most widely used techniques in personalized recommender system. Collaborative filtering uses only data from usage analysis to build user profile, while content-based filtering relies in addition on semantic information of items. Hybrid approach is another important technique, which combines collaborative and content-based methods to provide recommendations. The aim of this thesis is to present a new hybridization approach that takes into account the semantic information of items to enhance collaborative recommendations. Several approaches have been proposed for learning a new user profile inferring preferences for semantic information describing items. For each proposed approach, we address the sparsity and the scalability problems. We prove also, empirically, an improvement in recommendations accuracy against collaborative filtering and content-based filtering; Face à la surabondance des ressources et de l'information sur le net, l'accès aux ressources pertinentes devient une tâche fastidieuse pour les usagers de la toile. Les systèmes de recommandation personnalisée comptent parmi les principales solutions qui assistent l'utilisateur en filtrant les ressources, pour ne lui proposer que celles susceptibles de l’intéresser. L’approche basée sur l’observation du comportement de l’utilisateur à partir de ses interactions avec le e-services est appelée analyse des usages. Le filtrage collaboratif et le filtrage basé sur le contenu sont les principales techniques de recommandations personnalisées. Le filtrage collaboratif exploite uniquement les données issues de l’analyse des usages alors que le filtrage basé sur le contenu utilise en plus les données décrivant le contenu des ressources. Un système de recommandation hybride combine les deux techniques de recommandation. L'objectif de cette thèse est de proposer une nouvelle technique d'hybridation en étudiant les bénéfices de l'exploitation combinée d'une part, des informations sémantiques des ressources à recommander, avec d'autre part, le filtrage collaboratif. Plusieurs approches ont été proposées pour l'apprentissage d'un nouveau profil utilisateur inférant ses préférences pour l’information sémantique décrivant les ressources. Pour chaque approche proposée, nous traitons le problème du manque de la densité des données et le problème du passage à l’échelle. Nous montrons également, de façon empirique, un gain au niveau de la précision des recommandations par rapport à des approches purement collaboratives ou purement basées sur le contenu

National audience; We introduce a low-rank Bayesian nonparametric (BNP) model for bipartite graphs. Recently, Caron (2012) proposed a BNP model where each node is given its own sociability parameter allowing to capture the power-law behavior of real world bipartite graphs. This model can be considered as a rank one nonnegative factorization of the adjacency matrix. Building on the compound random measures recently introduced by Griffin and Leisen (2014), we derive a rank p generalization of this model where each node is associated with a p-dimensional vector of sociability parameters accounting for several latent dimensions. While preserving the desired properties of interpretability, scalability and power-law behavior, our model is more flexible and provides better predictive performance as illustrated on several datasets.; Nous proposons un modèle bayésien non paramétrique (BNP) à faible rang pour les graphes bipartis. Récemment, Caron (2012) a proposé un modèle BNP où chaque élément possède son propre paramètre de sociabilité permettant de capturer le comportement en loi de puissance observé dans les graphes bipartis réels. Ce modèle peut être considéré comme une factorisation non négative de rang un de la matrice d'adjacence. En nous appuyant sur les mesures composées aléatoires récemment introduites par Griffin et Leisen (2014), nous dérivons une généralisation de rang p de ce modèle où chaque élément est à présent associé à un vecteur p-dimensionnel de paramètres de sociabilité représentant plusieurs dimensions latentes. Tout en préservant les propriétés désirées d'interprétabilité, de passage à l'échelle et de comportement en loi de puissance, notre modèle est plus flexible et offre de meilleures performances prédictives comme illustré sur plusieurs jeux de données.

The design of online recommendation systems, such as those used for example in e-commerce, is a real challenge. This requires understanding the customer's need in order to recommend the right product for him/her, i.e those that are likely to be appreciated. These recommendations should be made from data already in the database, usually scarce. The current recommendation systems are based on similarities between customers on products purchased (or assessed). Among the techniques used in most online sites, we are interested in collaborative filtering, in which the recommendations are generated based on similarities that exist between customers. This work concerns the development of a products recommendation method that takes into account the customer preferences and the perceptions. An approach based on the assessment of the preference is first described. It is enriched by the customer perceptions when using the product. The objective of the study is to determine how to take into account the customer's perceptions in a recommendation system, and to what extent the perceptions help to improve the recommendation quality of such a system. The work focuses on two recommendation approaches. The first, called "traditional" approach, is based on the collaborative filtering from the stated customers’ preference about the products. The second is the "proposed" approach. It is a combination of the traditional collaborative filtering based on preference, enriched by filtering on perceptual evaluations of products. The recommendation is then based on a preference similarity and a perceptual similarity between the customers. In this approach, the perceptual data mainly includes product evaluations according to emotional descriptors. To compare the two approaches, we first performed recommendations using a simulated data base made of various profiles of virtual customers. In order to estimate the performance of each approach, a test procedure has been implemented. A recommendation quality index and a cross-validation procedure based on random samples are defined. This simulation phase allowed adjusting various parameters of the proposed approach. Then, an online survey was conducted to create data with real customers. The considered product to carry out experiments is a movie. Hundreds of customers expressed their preferences and perceptions on a range of movies of the current market, using an Internet survey. This survey was used to study on real data the recommendations’ quality of the two approaches. The recommendation quality is computed using the cross-validation procedure. General attributes of the movies have also been introduced in order to assess their interest in a recommendation procedure. The results show that on simulated data, for which the experimenter completely controls the relationship between preferences and perceptions, the recommendation quality of the proposed approach is better than the traditional approach. Taking into account customers’ perceptual assessments improves the quality of recommendations. For real data from the survey on movies, the results are varied. Although the quality of the proposed approach is on average not better than the traditional approach, we notice that for some customers, better performances are obtained. Performance based on demographic criteria was also studied, as well as for different categories of customers.; La conception de systèmes de recommandations d’achats en ligne, tels que ceux utilisés par exemple en commerce électronique, est un vrai challenge. Cela nécessite de comprendre le besoin du client afin de lui conseiller des produits adaptés, c’est-à-dire ceux qu’il est susceptible d’apprécier. Ces recommandations doivent s’effectuer à partir de données déjà présentes dans la base de données, généralement peu abondantes. Les systèmes actuels de recommandation se basent sur des ressemblances entre clients sur des produits achetés (ou évalués) pour émettre des recommandations. Parmi les techniques les plus utilisées dans les sites en ligne, nous nous sommes intéressés au filtrage collaboratif, pour lequel les recommandations générées sont basées sur des similarités pouvant exister entre les clients. Ce travail s'inscrit dans une démarche de recommandations de produits qui prend en compte les préférences et les perceptions du client. Nous proposons une approche basée sur une évaluation de la préférence, enrichie par les perceptions du client lors de son expérience avec le produit. L’objectif du travail est de déterminer comment prendre en compte les perceptions du client dans un système de recommandation, et de déterminer dans quelle mesure la prise en compte des perceptions contribue à améliorer la qualité des recommandations émises par un tel système. Le travail se focalise sur deux approches de recommandations. La première, appelée approche « classique », est basée sur le filtrage collaboratif à partir de la préférence déclarée des clients sur les produits. La seconde, qui est l’approche proposée, consiste en une combinaison du filtrage collaboratif traditionnel basé sur la préférence, enrichie par un filtrage sur les évaluations perceptives des produits. La recommandation est alors basée sur une similarité de préférence et une similarité perceptive entre les clients. Dans cette approche, les données perceptives incluent principalement des évaluations des produits selon des descripteurs émotionnels. Pour comparer les deux approches, nous avons tout d’abord réalisé des recommandations à l’aide d’une base de données simulée, comportant différentes évaluations de clients virtuels. Pour estimer la performance de chaque approche, une procédure de test a été implémentée, en définissant un indice de qualité de recommandation et une procédure de validation croisée basée sur des tirages aléatoires. Cette phase de simulation a permis d’ajuster différents paramètres de l’approche proposée. Ensuite, une enquête en ligne a été réalisée pour créer des données avec des clients réels. Le produit considéré pour réaliser les expérimentations est le film long métrage. Plusieurs centaines de clients ont exprimé leurs préférences et leurs perceptions sur un ensemble de films du marché actuel, à l’aide d’une enquête sur Internet. Cette enquête a servi de terrain expérimental pour étudier sur des données réelles la qualité des recommandations des deux méthodes, qualité calculée avec la procédure de validation croisée. Des attributs généraux des films ont également été introduits afin d’estimer leur intérêt dans une procédure de recommandation. Les résultats montrent que sur les données simulées, pour lesquelles l’expérimentateur maîtrise totalement les relations entre les préférences et les perceptions, la qualité de recommandation de l’approche proposée est supérieure à celle de l’approche classique. La prise en compte des évaluations perceptives des clients conduit bien à une amélioration de la qualité des recommandations. Pour les données réelles, issues de l’enquête sur les films longs métrages, les résultats sont différentiés. Même si la qualité de l’approche proposée n’est en moyenne pas significativement meilleure que celle de l’approche classique, on constate que pour certains clients, des performances supérieures sont obtenues. La performance en fonction de critères démographiques a été aussi étudiée, ainsi que celle pour différentes catégories de clients.

Pendant la dernière décennie nous avons vu une transformation incroyable du monde de la musique qui est passé des cassettes et disques compacts à la musique numérique en ligne. Avec l'explosion de la musique numérique, nous avons besoin de systèmes de recommandation de musique pour choisir les chansons susceptibles d’être appréciés à partir de ces énormes bases de données en ligne ou personnelles. Actuellement, la plupart des systèmes de recommandation de musique utilisent l’algorithme de filtrage collaboratif ou celui du filtrage à base de contenu. Dans ce mémoire, nous proposons un algorithme hybride et original qui combine le filtrage collaboratif avec le filtrage basé sur étiquetage, amélioré par la technique de filtrage basée sur le contexte d’utilisation afin de produire de meilleures recommandations. Notre approche suppose que les préférences de l'utilisateur changent selon le contexte d'utilisation. Par exemple, un utilisateur écoute un genre de musique en conduisant vers son travail, un autre type en voyageant avec la famille en vacances, un autre pendant une soirée romantique ou aux fêtes. De plus, si la sélection a été générée pour plus d'un utilisateur (voyage en famille, fête) le système proposera des chansons en fonction des préférences de tous ces utilisateurs. L'objectif principal de notre système est de recommander à l'utilisateur de la musique à partir de sa collection personnelle ou à partir de la collection du système, les nouveautés et les prochains concerts. Un autre objectif de notre système sera de collecter des données provenant de sources extérieures, en s'appuyant sur des techniques de crawling et sur les flux RSS pour offrir des informations reliées à la musique tels que: les nouveautés, les prochains concerts, les paroles et les artistes similaires. Nous essayerons d’unifier des ensembles de données disponibles gratuitement sur le Web tels que les habitudes d’écoute de Last.fm, la base de données de la musique de MusicBrainz et les étiquettes des MusicStrands afin d'obtenir des identificateurs uniques pour les chansons, les albums et les artistes., In the last decade we have seen an incredible transformation of the world of music, from cassette tapes and compact discs to online digital music. With the explosion of the digital music we need music recommender systems to select those probably preferred songs from these huge online or personal databases. Currently, most music recommender systems use either collaborative (social) filtering or content-based algorithms. In this work we propose an original hybrid collaborative and tag-based algorithm improved by the context-of-use filtering technique in order to generate better playlists. Our approach assumes that user preferences change depending on the context of use. For example, a user listen one kind of music while driving to work, another type while traveling with the family on vacation, another one in a romantic evening or at parties. Additionally, if the playlist was generated for more than one user (family trip, party) the system will propose songs depending on the preferences of all these users. The main goal of our system is to recommend music to the user from the personal music collection or new music from system music collection, new releases and incoming concerts. Another goal of our system it will be to gather data from external sources based on crawling techniques and RSS Feeds to provide music related content like: new releases, incoming concerts, lyrics, similar artists. We’ll try to interlink some free available datasets on the web like listening habits from Last.fm, music database from MusicBrainz and tags from MusicStrands in order to obtain unique identifiers for songs, albums and artists.

This thesis deals with automatic recommendation systems. Automatic recommendation systems are systems that allow, through data mining techniques, to recommend automatically to users, based on their past consumption, items that may interest them. These systems allow for example to increase sales on e-commerce websites: the Amazon site has a marketing strategy based mainly on the recommendation. Amazon has popularized the use of automatic recommendation based on the recommendation function that we call item-to-items, the famous "people who have seen / bought this product have also seen / bought these articles". The central contribution of this thesis is to analyze the automatic recommendation systems in the industrial context, including marketing needs, and to cross this analysis with academic works.; Cette thèse traite des systèmes de recommandation automatiques. Les moteurs de recommandation automatique sont des systèmes qui permettent, par des techniques de data mining, de recommander automatiquement à des clients, en fonction de leurs consommations passées, des produits susceptibles de les intéresser. Ces systèmes permettent par exemple d'augmenter les ventes sur des sites web marchands : le site Amazon a une stratégie marketing en grande partie basée sur la recommandation automatique. Amazon a popularisé l'usage de la recommandation automatique par la célèbre fonction de recommandation que nous qualifions d'item-to-items, le fameux : " les personnes qui ont vu/acheté cet articles ont aussi vu/acheté ces articles. La contribution centrale de cette thèse est d'analyser les systèmes de recommandation automatiques dans le contexte industriel, et notamment des besoins marketing, et de croiser cette analyse avec les travaux académiques.

This thesis deals with automatic recommendation systems. Automatic recommendation systems are systems that allow, through data mining techniques, to recommend automatically to users, based on their past consumption, items that may interest them. These systems allow for example to increase sales on e-commerce websites: the Amazon site has a marketing strategy based mainly on the recommendation. Amazon has popularized the use of automatic recommendation based on the recommendation function that we call item-to-items, the famous "people who have seen / bought this product have also seen / bought these articles". The central contribution of this thesis is to analyze the automatic recommendation systems in the industrial context, including marketing needs, and to cross this analysis with academic works.; Cette thèse traite des systèmes de recommandation automatiques. Les moteurs de recommandation automatique sont des systèmes qui permettent, par des techniques de data mining, de recommander automatiquement à des clients, en fonction de leurs consommations passées, des produits susceptibles de les intéresser. Ces systèmes permettent par exemple d'augmenter les ventes sur des sites web marchands : le site Amazon a une stratégie marketing en grande partie basée sur la recommandation automatique. Amazon a popularisé l'usage de la recommandation automatique par la célèbre fonction de recommandation que nous qualifions d'item-to-items, le fameux : " les personnes qui ont vu/acheté cet articles ont aussi vu/acheté ces articles. La contribution centrale de cette thèse est d'analyser les systèmes de recommandation automatiques dans le contexte industriel, et notamment des besoins marketing, et de croiser cette analyse avec les travaux académiques.

The development of internet engendred an important proliferation of items. Thus, users are often overwhelmed and unable to detect the items corresponding to their needs. Therefore, the need of tools for automatic personalization of information becomes heightened. Recommender systems are widely used for this purpose thanks to their ability to guide users towards relevant items. Despite the success of recommender systems in many application areas, some research questions still remain. Some of these questions concern sparsity, selection of reliable neighbors, precision of recommendations and cold start problem. In this PhD thesis we explored these issues and proposed some solutions. We suggested a new approach inspired from web usage mining and collaborative filtering. This approach observes users' behavior and exploits usage analysis to generate recommendations. In addition, we applied link prediction methods, from social network analysis area, in order to predict new links in a behavioral network. The objective is to overcome sparsity and to improve neighbor selection. Moreover, with the perspective of alleviating the cold start problem (for new items), we proposed a recommendation approach based on leader detection. These leaders can propagate their appreciations towards their neighbors and predict accurately their future preferences., Internet met à la disposition des utilisateurs une large variété d'items dont le volume est sans cesse croissant. Devant cette surcharge d'items, l'utilisateur peine à repérer les items qui correspondent à ses besoins. C'est dans ce contexte que les systèmes de recommandation se sont développés, dans la mesure où ils permettent de faciliter l'accès aux items susceptibles d'intéresser l'utilisateur. Néanmoins, malgré le succès des systèmes de recommandation, certaines questions de recherche restent soulevées telles que : le manque de données, l'identification de voisins fiables, la précision des recommandations et la recommandation de la nouveauté. En vue de répondre à ces questions, nous avons proposé à travers cette thèse une nouvelle approche de recommandation inspirée du web usage mining et du filtrage collaboratif. Cette approche repose sur l'observation du comportement de l'utilisateur et sur l'analyse de ses usages en vue de générer des recommandations. En outre, nous nous sommes inspirés des techniques utilisées dans le domaine de l'analyse des réseaux sociaux afin de prédire les liens à travers un réseau d'utilisateurs construit sur la base des similarités de comportement. L'objectif est de pallier le manque de données et d'améliorer l'identification de voisins fiables. De plus, dans la perspective d'atténuer le problème de démarrage à froid (concernant les nouveaux items), nous avons proposé une approche de recommandation qui repose sur la détection de leaders pour la recommandation de la nouveauté.

Bayesian probabilities are an efficient tool for addressing machine learning issues. However, because such problems are often difficult, trade-offs between accuracy and efficiency must be implemented. Our work presents the Bayesian learning method, its philosophical foundations and several innovative applications. Firstly, we study two data analysis problem with hidden variables. We propose a method for ranking chess players and a collaborative filtering system for movie recommendations. The second part of our work deals with model learning, with the selection and the creation of relevant variables for a robotic application. Keywords : bayesian learning, subjective probabilities, generative models, ranking from pairwise comparisons, chess, collaborative filtering, feature selection, model selection, robotics.; Le domaine de l'apprentissage automatique a pour but la création d'agents synthétiques améliorant leurs performances avec l'expérience. Pour pouvoir se perfectionner, ces agents extraient des régularités statistiques de données incertaines et mettent à jour leur modèle du monde. Les probabilités bayésiennes sont un outil rationnel pour répondre à la problématique de l'apprentissage. Cependant, comme ce problème est souvent difficile, des solutions proposant un compromis entre précision et rapidité doivent être mises en oeuvre. Ce travail présente la méthode d'apprentissage bayésien, ses fondations philosophiques et plusieurs applications innovantes. Nous nous intéressons d'abord à des questions d'apprentissage de paramètres. Dans ce cadre nous étudions deux problèmes d'analyse de données à variables cachées. Nous proposons d'abord une méthode bayésienne pour classer les joueurs d'échecs qui améliore sensiblement le système Elo. Le classement produit permet de répondre à des questions intéressantes comme celle de savoir qui fut le meilleur joueur d'échecs de tous les temps. Nous étudions aussi un système de filtrage collaboratif dont le but est de prévoir les goûts cinématographiques d'utilisateurs en fonction de leurs préférences passées. La deuxième partie de notre travail concerne l'apprentissage de modèles. D'abord nous nous intéressons à la sélection de variables pertinentes dans le cadre d'une application robotique. D'un point de vue cognitif, cette sélection permet au robot de transférer ses connaissances d'un domaine sensorimoteur vers un autre. Finalement, nous proposons une méthode permettant de découvrir automatiquement une nouvelle variable cachée afin de mieux modéliser l'environnement d'un robot.

Cet article se propose d'examiner le concept d'autorité informationnelle tel qu'il se construit dans l'univers documentaire du web. Nous nous inscrivons pour cela dans l'approche « médium » de Pédauque3 qui a montré qu'un document numérique est susceptible de franchir plusieurs contextes de médiation correspondants aux sphères « privée », « collective » et « publique », ces sphères se retrouvant redéfinies par l'arrivée des nouveaux médias portés par le web. L'observation des processus de production et d'échange des documents entre ces sphères indique des transformations dans la construction de l'autorité informationnelle, au nom de laquelle les contenus jugés dignes d'intérêt seront conservés par la mémoire collective d'une communauté. Plusieurs critères seront convoqués : l'autorité énonciative personnelle s'appuyant sur l'auteur et sa notoriété, l'autorité de groupe ou institutionnelle triant et établissant les conditions de la confiance en la fiabilité des informations, l'autorité du contenu concernant le document lui-même, son genre et sa qualité, et enfin l'autorité du support qui fixe les frontières matérielles du document.

Collaborative filtering traditionally exploits of user ratings on items, in order to connect people who share the same tastes and allow them to receive interesting recommendations from their peers. From our point of view, community management is an important issue because of the influence of community quality on recommendation performance. In this thesis, we have defined a model for multiple “community spaces”, and we have developed and evaluated it along the following lines.Firstly, we have studied the nature of communities in the system, exploring what information can be exploited to build communities. In practice, users often receive interesting recommendations from friends, but also colleagues, neighbors, etc. Therefore, we have proposed to base the building of communities on multiple criteria in order to enrich the recommendations produced by the system.Secondly, we have focused on the possibility for users to actually perceive communities as computed by the system: this possibility improves user acceptance of recommendations arising from these communities and is an incentive for users to contribute their own ratings into the system. We have proposed a process that produces 2D maps to allow users visualizing multi-criteria communities.Finally, multi-criteria communities lead to two types of difficulties: first, on the user side, providing the information needed to be positioned in all of the community spaces, may require too much effort from users; second, on the system side, the computation complexity of some community spaces may lead to computation-intensive processes. Our community space model answers these problems by integrating tools to elaborate and apply appropriate strategies in the computation of communities as well as for automatic user positioning in multi-criteria communities. With the latter, we have shown that the recommendations produced in “cold-start” situations encountered by new users, are improved with the use of community spaces and appropriate automatic positioning strategies.; Face au problème de la surcharge d'information, le filtrage collaboratif a pour principe d'exploiter les évaluations que des utilisateurs ont faites de certains documents, afin de recommander ces mêmes documents à d'autres utilisateurs proches de lui, et sans qu'il soit nécessaire d'analyser le contenu des documents. C'est ainsi qu'émerge la notion de communauté, définie comme un groupe de personnes qui partagent en général les mêmes centres d'intérêt. De notre point de vue, la problématique du filtrage collaboratif consiste à gérer de façon intelligente des communautés puisque, selon son principe de base, la qualité des recommandations dépend fondamentalement de la qualité des communautés formées par le système.Le premier aspect de la gestion des communautés à étudier est la capacité des utilisateurs à percevoir des communautés. D'une part, la perception des communautés permet d'améliorer la confiance des utilisateurs dans les recommandations générées à partir de ces communautés, et par conséquent de les motiver à fournir des évaluations sur lesquelles appuyer la formation des communautés pour le filtrage collaboratif. D'autre part, cette capacité autorise les utilisateurs à explorer d'autres communautés potentiellement intéressantes.Le second aspect à prendre en compte est les informations sur lesquelles appuyer la formation des communautés. On voit dans la réalité qu'une personne reçoit souvent toutes sortes de recommandations intéressantes de ses proches, de ses collègues de travail, etc. Nous émettons donc l'hypothèse que la multiplicité des critères pour former des communautés, incluant profession, centres d'intérêt, historique des évaluations, etc., peut être exploitée pour enrichir les recommandations générées pour un utilisateur.Enfin, les communautés d'un utilisateur évoluent au cours du temps. En raison de la multiplicité des critères, la qualité du positionnement des utilisateurs au sein des communautés est conditionnée par la qualité des valeurs données pour chaque utilisateur à chaque critère. Certains critères demandent beaucoup d'efforts de la part des utilisateurs, et peuvent être coûteux également pour le système, d'où des difficultés à positionner les utilisateurs dans des communautés.Ainsi, pour la gestion des communautés dans un système de filtrage collaboratif, nous proposons le modèle des espaces de communautés qui présente les caractéristiques suivantes : gestion des communautés explicites, formation multiple des communautés selon divers critères et stratégie de positionnement des utilisateurs au sein des communautés.L'intégration de notre modèle des espaces de communautés dans un système de filtrage collaboratif permet donc d'améliorer l'exploitation des communautés formées à partir des critères disponibles dans les profils des utilisateurs. Nous présentons la plateforme du filtrage collaboratif COCoFil2 comme la mise en œuvre du modèle proposé ainsi que nos travaux de validation sur un jeu de données réelles.

Collaborative filtering traditionally exploits of user ratings on items, in order to connect people who share the same tastes and allow them to receive interesting recommendations from their peers. From our point of view, community management is an important issue because of the influence of community quality on recommendation performance. In this thesis, we have defined a model for multiple “community spaces”, and we have developed and evaluated it along the following lines.Firstly, we have studied the nature of communities in the system, exploring what information can be exploited to build communities. In practice, users often receive interesting recommendations from friends, but also colleagues, neighbors, etc. Therefore, we have proposed to base the building of communities on multiple criteria in order to enrich the recommendations produced by the system.Secondly, we have focused on the possibility for users to actually perceive communities as computed by the system: this possibility improves user acceptance of recommendations arising from these communities and is an incentive for users to contribute their own ratings into the system. We have proposed a process that produces 2D maps to allow users visualizing multi-criteria communities.Finally, multi-criteria communities lead to two types of difficulties: first, on the user side, providing the information needed to be positioned in all of the community spaces, may require too much effort from users; second, on the system side, the computation complexity of some community spaces may lead to computation-intensive processes. Our community space model answers these problems by integrating tools to elaborate and apply appropriate strategies in the computation of communities as well as for automatic user positioning in multi-criteria communities. With the latter, we have shown that the recommendations produced in “cold-start” situations encountered by new users, are improved with the use of community spaces and appropriate automatic positioning strategies.; Face au problème de la surcharge d'information, le filtrage collaboratif a pour principe d'exploiter les évaluations que des utilisateurs ont faites de certains documents, afin de recommander ces mêmes documents à d'autres utilisateurs proches de lui, et sans qu'il soit nécessaire d'analyser le contenu des documents. C'est ainsi qu'émerge la notion de communauté, définie comme un groupe de personnes qui partagent en général les mêmes centres d'intérêt. De notre point de vue, la problématique du filtrage collaboratif consiste à gérer de façon intelligente des communautés puisque, selon son principe de base, la qualité des recommandations dépend fondamentalement de la qualité des communautés formées par le système.Le premier aspect de la gestion des communautés à étudier est la capacité des utilisateurs à percevoir des communautés. D'une part, la perception des communautés permet d'améliorer la confiance des utilisateurs dans les recommandations générées à partir de ces communautés, et par conséquent de les motiver à fournir des évaluations sur lesquelles appuyer la formation des communautés pour le filtrage collaboratif. D'autre part, cette capacité autorise les utilisateurs à explorer d'autres communautés potentiellement intéressantes.Le second aspect à prendre en compte est les informations sur lesquelles appuyer la formation des communautés. On voit dans la réalité qu'une personne reçoit souvent toutes sortes de recommandations intéressantes de ses proches, de ses collègues de travail, etc. Nous émettons donc l'hypothèse que la multiplicité des critères pour former des communautés, incluant profession, centres d'intérêt, historique des évaluations, etc., peut être exploitée pour enrichir les recommandations générées pour un utilisateur.Enfin, les communautés d'un utilisateur évoluent au cours du temps. En raison de la multiplicité des critères, la qualité du positionnement des utilisateurs au sein des communautés est conditionnée par la qualité des valeurs données pour chaque utilisateur à chaque critère. Certains critères demandent beaucoup d'efforts de la part des utilisateurs, et peuvent être coûteux également pour le système, d'où des difficultés à positionner les utilisateurs dans des communautés.Ainsi, pour la gestion des communautés dans un système de filtrage collaboratif, nous proposons le modèle des espaces de communautés qui présente les caractéristiques suivantes : gestion des communautés explicites, formation multiple des communautés selon divers critères et stratégie de positionnement des utilisateurs au sein des communautés.L'intégration de notre modèle des espaces de communautés dans un système de filtrage collaboratif permet donc d'améliorer l'exploitation des communautés formées à partir des critères disponibles dans les profils des utilisateurs. Nous présentons la plateforme du filtrage collaboratif COCoFil2 comme la mise en œuvre du modèle proposé ainsi que nos travaux de validation sur un jeu de données réelles.

ISBN 2- 85428-697-9/http://www.cepadues.com/; The term of collaborative filtering [Goldberg, 2000] denotes techniques using the known tastes of a group of users to predict the unknown preference of a new user. The distinctive feature of current collaborative filtering processes is to be centralized. The scientific problems have consisted in finding a way to distribute calculus, in order to provide scale for several ten thousands of people, or then to preserve anonymity of users (personal data remain on client side). The impact of a model combining several existing methods to share out tasks between the server and users terminals is examined in this article. A partnership with the company ASTRA allows to turn to their database and to carry out life-sized tests in order to verify efficiency of proposed solutions.

The development of information technology allows large amounts of information are available to everyone. In order to help in the discovery of interesting documents, tools like Filtering Information Systems are developed. These systems provide users a stream of documents, without having to explicitly express what they want, unlike Retrieval Information Systems where A question must be asked each time. By contrast, the Filtering System must know the interest of users (profiles) and follow their evolution over time. This is possible thanks to the user evaluates the documents provided by the system.Filtering Systems generally require the active participation of users to achieve good performance; Thanks to their evaluations, users adjust their profile. Collaborative Filtering explicitly involves a community through mutual support: each member of the community receives documents that other members have found interesting. For this, it is important that each user regularly gives his point of view on the documents sent by the system, because the performance of the system depends on the behavior of all users: a user who does not contribute to feed the system sees fall the efficiency of the system not only for itself, but it also for others! This situation is a brake on the effective, efficient and long-term use of Collaborative Filtering Systems.In order to prevent users from perceiving the evaluation as annoying, the Filtering System must be provided with quality control. Our goal is to define and implement such a control system, which based on data extracted from the Filtering System, during operation, builds quality indicators. These indicators will help identify problematic situations and suggest actions to ensure the efficiency of the system. We propose a method to define a quality evaluation model, which we call EMQUSE (Evaluation Method for Quality in Use), based on a qualitative aspect: user satisfaction., De nos jours, d'importantes quantités d'informations sont à la disposition de chacun grâce au développement des technologies de l'information. Afin d'aider à la découverte de documents intéressants, des outils comme les systèmes de filtrage d'informations sont développés. Ces systèmes fournissent aux utilisateurs un flot continu de documents, sans qu'ils aient à exprimer explicitement ce qu'ils cherchent, contrairement aux systèmes de recherche d'information où une requête doit être produite à chaque fois. En contrepartie, il faut que le système connaisse les centres d'intérêt des utilisateurs (profils) et suive leur évolution au cours du temps. Cela est possible grâce aux retours d'évaluations que l'utilisateur donne sur les documents fournis par le système.Les systèmes de filtrage en général requièrent la participation active des utilisateurs pour atteindre de bonnes performances : c'est en effet par leurs évaluations des documents reçus que les utilisateurs ajustent leur profil. Le filtrage dit «collaboratif» fait intervenir explicitement une communauté par une entraide mutuelle : chaque membre de la communauté reçoit des documents que d'autres membres ont jugés intéressants. Pour cela, il est encore plus important que chaque utilisateur donne régulièrement son point de vue sur les documents envoyés par le système car les performances du système dépendent du comportement de l'ensemble des utilisateurs : un utilisateur qui ne contribue pas à alimenter le système voit non seulement l’efficacité du système baisser pour lui-même, mais fait également baisser l’efficacité pour les autres ! Cette situation est un frein à une utilisation réelle, efficace et à long terme des systèmes de filtrage collaboratif.Si l'on veut que leur travail d'évaluation ne soit pas perçu par les utilisateurs comme un pensum sans contrepartie, il faut munir le système de filtrage d'un contrôle de la qualité. Notre objectif de recherche est de définir et mettre en œuvre un tel système de contrôle qui, à partir de données extraites du système de filtrage en cours d'exploitation, élabore des indicateurs de la qualité. Ces indicateurs permettront d'identifier des situations problématiques et de suggérer des actions afin de garantir l’efficacité du système. De façon plus générale, nous proposons une méthode permettant de définir un modèle d’évaluation de la qualité, que nous appelons EMQUSE (Evaluation Method for Quality in Use), basé sur un aspect qualitatif: la satisfaction de l’utilisateur.

Rapport interne.; Ce mémoire introduit le concept d'assistance au grand public pour la recherche d'informations sur une base de données au travers d'un environnement à agents. Nous présentons une approche orientée agents qui s'attaque aux applications ou le besoin d'adaptation à l'utilisateur, à son contexte et à la distribution des ressources est primordial. Le travail présenté ici correspond au point de rencontre entre les thèmes agents, filtrage collaboratif et spécifications FIPA. Nous allons détailler ici le fonctionnement de notre système baptisé ArchimaJ et les capacités de filtrage qui lui sont associées. || This paper introduces the concept of assistance to general audience for requesting database toward an agent environment for intelligent information retrieval. We present an agent oriented approach to tackle applications where the need of adaptation to the

Recommending appropriate items to users is crucial in many e-commerce platforms that contain implicit data as users’ browsing, purchasing and streaming history. One common approach consists in selecting the N most relevant items to each user, for a given N, which is called top-N recommendation. To do so, recommender systems rely on various kinds of information, like item and user features, past interest of users for items, browsing history and trust between users. However, they often use only one or two such pieces of information, which limits their performance. In this paper, we design and implement GraFC2T2, a general graph-based framework to easily combine and compare various kinds of side information for top-N recommendation. It encodes content-based features, temporal and trust information into a complex graph, and uses personalized PageRank on this graph to perform recommendation. We conduct experiments on Epinions and Ciao datasets, and compare obtained performances using F1-score, Hit ratio and MAP evaluation metrics, to systems based on matrix factorization and deep learning. This shows that our framework is convenient for such explorations, and that combining different kinds of information indeed improves recommendation in general.