Systèmes de recommendation : adaptation Dynamique et Argumentation

Recommender systems : dynamic adaptation and argumentation Cette thèse présente les résultats d'un projet de recherche multidisciplinaire (Agorantic) sur les systèmes de recommandation. Le but de ce travail était de proposer de nouvelles fonctionnalités qui peuvent rendre les systèmes de recommandations (RS) plus attrayants que ceux existants. Nous proposons également une nouvelle approche et une réflexion sur l'évaluation. Dans la conception du système, nous avons voulu répondre aux préoccupations suivantes: 1. Les gens s'habituent à recevoir des recommandations. Néanmoins, après quelques mauvaises recommandations, les utilisateurs ne seront plus convaincus par les RS. 2. En outre, si ces suggestions viennent sans explication, pourquoi les gens devraient les suivre ? 3. Le fait que la perception, les goûts et les humeurs des utilisateurs goûts varient au fil du temps est bien connue. Pourtant, la plupart des systèmes de recommandation ne parviennent pas à offrir le bon niveau de «réactivité» que les utilisateurs attendent, c'est à dire la capacité de détecter et d'intégrer des changements dans les besoins, les préférences, la popularité, etc. Recommander un film une semaine après sa sortie pourrait être trop tard. 4. L'utilisateur pourrait être intéressé par des articles moins populaires (dans la «longue traine»), c'est à dire des recommandations moins systématiques. Pour répondre à ces questions clés, nous avons conçu un nouveau système de recommandation sémantique et adaptatif (SRAS), comportant trois fonctionnalités innovantes, à savoir l'argumentation, l'adaptation dynamique et un algorithme d'appariement. • Adaptation dynamique: le système est mis à jour de façon continue, à chaque nouvelle note / évènement. (Chapitre 4) • Argumentation: chaque recommandation présente les raisons qui ont conduit à cette recommandation. Cela peut être considéré comme une première étape vers une argumentation plus sophistiqué. Notre volonté est de rendre les utilisateurs plus responsables de leur choix, en leur donnant le maximum d'informations. (Chapitre 5) • Algorithme d'appariement: permet aux articles les moins populaires d'être recommandés aux utilisateurs. (Chapitre 6) Nous avons conçu un nouveau système de recommandation capable de générer des recommandations textuellement bien argumentées dans lequel l'utilisateur final aura plusieurs éléments pour faire un choix éclairé. En outre, les paramètres du système sont dynamiquement et continuellement mis à jour, afin de fournir des recommandations et des arguments en la phase avec le passé très récent. Nous avons inclus un niveau sémantique, c'est à dire les mots, termes et expressions comme ils sont naturellement exprimés dans les commentaires utilisateurs. Nous n'utilisons pas d'étiquettes ou lexique pré-déterminé. Les performances de notre système sont comparables à l'état de l'art. En outre, le fait qu'il génère un argumentaire le rend encore plus attrayant et pourrait renforcer la fidélité des utilisateurs