Systèmes de recommandation sociaux et sémantiques

Towards Semantic-Social Recommender Systems

• Auteur / Autrice : Dalia Sulieman
• Direction : Dominique Laurent
• Type : Thèse de doctorat
• Discipline(s) : STIC (sciences et technologies de l'information et de la communication) - Cergy
• Date : Soutenance le 30/01/2014
• Etablissement(s) : Cergy-Pontoise
• Ecole(s) doctorale(s) : École doctorale Sciences et ingénierie (Cergy-Pontoise, Val d'Oise)
• Partenaire(s) de recherche : Laboratoire : Equipes Traitement de l'Information et Systèmes (Cergy-Pontoise, Val d'Oise)
• Jury : Président / Présidente : Lynda Tamine-Lechani
• Jury : Examinateurs / Examinatrices : Nicolas Spyratos, Maria Malek, Hubert Kadima
• Jury : Rapporteurs / Rapporteuses : Philippe Rigaux, Céline Rouveirol

Mots clés

Mots clés libres

Systèmes de recommandation

Analyse de réseau social

Profil Utilisateur

Ontology

Taxonomy

Recommendation Systems

Social Network analysis

User Profile

Ontology

Taxonomy

Résumé

Dans cette thèse, nous proposons des algorithmes de recommandation sémantique et sociale, qui recommandent un produit pour les utilisateurs qui sont connectés par un réseau de collaboration sociale. Ces algorithmes utilisent deux types d'informations : information sémantique et information sociale .L' information sémantique est basée sur la pertinence sémantique entre les utilisateurs et le produit à recommandé, tandis que l' information sociale est basée sur la position de l'utilisateur et de leur type et de la qualité des connexions entre eux dans le réseau de collaboration . Enfin, nous utilisons l'algorithme de parcoure profondeur (DFS) et l'algorithme de parcoure en largeur (BFS), pour explorer le réseau social.Utilisation de l' information sémantique et l'information sociale , dans le système de recommandation , nous aide à explorer partiellement le réseau social , ce qui nous conduit à réduire la taille des données explorées et de minimiser le temps de recherche dans le réseau.Nous appliquons nos algorithmes sur des données réelles : MovieLens et Amazon , et nous comparons la précision de la performance de nos algorithmes avec les algorithmes de recommandation classiques , comme l'algorithme de filtrage collaborative et l'algorithme hybrideNos résultats montrent un taux de précision satisfaisants , et une performance très significative du temps d'exécution et de la taille des données explorées , par rapport aux autres algorithmes de recommandation classiques .En fait , l'importance de nos algorithmes repose sur le fait que ces algorithmes explorent une très petite partie du graphe , au lieu d'explorer tout le graphe que les méthodes de recherche classiques , et encore donnent une bonne précision par rapport aux autres algorithmes de recommandation classiques . Donc , en minimisant la taille des données recherchées n'influence pas mal la précision des résultats .

In this thesis we propose semantic-social recommendation algorithms, that recommend an input item to users connected by a collaboration social network. These algorithms use two types of information: semantic information and social information.The semantic information is based on the semantic relevancy between users and the input item; while the social information is based on the users position and their type and quality of connections in the collaboration social network. Finally, we use depth-first search and breath-first search strategies to explore the graph.Using the semantic information and the social information, in the recommender system, helps us to partially explore the social network, which leads us to reduce the size of the explored data and to minimize the graph searching time.We apply our algorithms on real datasets: MovieLens and Amazon, and we compare the accuracy an the performance of our algorithms with the classical recommendation algorithms, mainly item-based collaborative filtering and hybrid recommendation.Our results show a satisfying accuracy values, and a very significant performance in execution time and in the size of explored data, compared to the classical recommendation algorithms.In fact, the importance of our algorithms relies on the fact that these algorithms explore a very small part of the graph, instead of exploring all the graph as the classical searching methods, and still give a good accuracy compared to the other classical recommendation algorithms. So, minimizing the size of searched data does not badly influence the accuracy of the results.