Machine learning and decision support for the declarative modelling of scenes : acquisition and management of morphological user preferences in the context of a design environment

• Auteur / Autrice : Georgios P. Bardis
• Direction : Dimitri Pléménos, Georges Miaoulis
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2006
• Etablissement(s) : Limoges
• Partenaire(s) de recherche : autre partenaire : Université de Limoges. Faculté des sciences et techniques

Mots clés

Mots clés contrôlés

Systèmes d'aide à la décision

Apprentissage automatique

Conception assistée par ordinateur

Infographie

Mots clés libres

Modélisation déclarative

Préférences d'utilisateur

Résumé

La méthodologie de Modélisation Déclarative offre au concepteur la possibilité de décrire un objet ou un environnement en utilisant des termes abstraits, au lieu des valeurs explicites pour des propriétés géométriques concrètes. L’avantage principal de cette approche, particulièrement pendant la première phase de conception, est de permettre au concepteur de se concentrer sur des caractéristiques qui sont plus près à l’intuition humaine. La Modélisation Déclarative peut proposer des solutions acceptables, souvent originales, aux quelles le concepteur n’aurait peut-être pas pensé. D’autre part, son désavantage principal provient du fait qu’une description déclarative mène généralement à un grand nombre de représentations géométriques alternatives, toutes solutions légitimes, dans le sens de la conformité avec la description soumise, pourtant pas équitablement préférées par le concepteur. Le but du présent travail a été l’étude et l’implémentation d’une méthodologie pour l’acquisition et la représentation des préférences du concepteur sous une forme de modèle informatique. Un tel modèle devrait être capable de fournir un environnement déclaratif de conception avec un comportement intelligent en ce qui concerne les préférences d’utilisateur. La méthodologie proposée, combine des éléments de domaine de l’apprentissage automatique et de l’aide à la décision offrant deux modèles respectifs de préférence. Le noyau du premier modèle est un mécanisme d’apprentissage incrémental, basé sur l’évaluation des solutions par l’utilisateur, durant l’utilisation régulière du système, tandis que le deuxième comporte un ensemble des vecteurs, représentant l’importance et la graduation d’une série d’attributs observés selon l’utilisateur spécifique. Un Module Intelligent de Profil d’Utilisateur, qui implémente les deux modèles de préférence et les composants additionnels exigés par le système d’information, a été intégré à un environnement déclaratif de conception, permettant la comparaison et l’essai. Une série d’expériences a été entreprise, avec différentes configurations du module et différents profils d’utilisateur, donnant des résultats qui suggèrent qu’un environnement déclaratif de conception puisse tirer bénéfice de l’application des modèles de préférence proposés.

The Declarative Modelling methodology offers the designer the ability to describe an object or an environment using abstract terms instead of explicit values for concrete geometric properties. The major advantage of this approach, especially during early-phase design, is that it allows concentration on characteristics which are closer to human intuition. Moreover, it may yield acceptable geometric representations not originally conceived by the designer. On the other hand, its main disadvantage stems from the fact that a moderate declarative description generally leads to a large number of alternative geometric representations, all legitimate solutions, in the sense of compliance with the submitted description, yet not equally preferable on behalf of the designer. The aim of the current work has been the study and implementation of a methodology for the acquisition and representation of the designer’s preferences in the form of a computational model. Such a model should be capable of providing a declarative design environment with intelligent behaviour features with respect to user preferences. The herein proposed and implemented methodology combines elements from the areas of machine learning and decision support offering two respective preference models. The core of the former is an incrementally learning mechanism, based on user solution evaluation during regular system use, whereas the latter comprises a set of vectors, representing the importance and scaling for a series of observed attributes according to the specific user. An Intelligent User Profile Module, implementing both preference models and the required additional information system components, has been integrated to a declarative design environment, allowing comparison and testing. A series of experiments has been conducted, with respect to alternative module settings and user profiles yielding results suggesting that a declarative design environment may benefit from the application of the proposed preference models.