>>

Soutenance de thèse : Dalia Sulieman

Titre de la thèse

Vers des systèmes de recommandation sémantiques et sociaux.
Towards semantic social recommender systems.

Date et lieu de soutenance

Jeudi 30 janvier 2014, 14h.
EISTI Cergy, amphithéâtre Turing.

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 recommander, 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 parcours profondeur (DFS) et l'algorithme de parcours en largeur (BFS), pour explorer le réseau social. L'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 hybride. Nos résultats montrent un taux de précision satisfaisant, 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.

Mots-clefs

Systèmes de recommandation, Analyse de réseau social, Profil Utilisateur, Ontologie, Taxonomie.

Abstract

In this thesis we propose a new approach of recommender systems used in social networks, called semantic-social recommender system. The aim of our proposition is to recommend a given item to a group of users connected via a social network, with respects to the accuracy and the high performance. For that, we propose two algorithms to explore the social network in order to find users which are relevant to the item to be recommended, these algorithms integrate depth-first search and breadth-first search strategies. We call our proposed algorithms semantic-social depth-first search (SSDFS) and semantic-social breadth-first search (SSBFS), in these algorithms we use two types of information named semantic information and social information. Semantic information is related to the semantic representation of the preferences of users and the features of items, and social information is related to users centrality in the social network. We use two real datasets to test our algorithms, these datasets are Amazon.com and MovieLens datasets, and we validate our algorithms by comparing them with the classical recommendation algorithms mainly item-based collaborative filtering and hybrid recommendation algorithms. Our results show a satisfying accuracy values and a very significant improvement of performance, because the algorithms explore a small part of the graph instead of exploring all the graph as the classical searching methods do.

Keywords

Recommendation Systems, Social Network analysis, User Profile, Ontology, Taxonomy.

Composition du jury

  • Dominique LAURENT, professeur, Cergy-Pontoise, Directeur de thèse
  • Philippe RIGAUX, professeur, CNAM, Rapporteur
  • Celine ROUVEIROL, professeur, Institut Galilée - Université Paris-Nord, Rapporteur
  • Lynda TAMINE-LECHANI, professeur, Université Paul Sabatier, Toulouse, Examinateur
  • Nicolas SPYRATOS, professeur, Université de Paris-Sud, Examinateur
  • Maria MALEK, EISTI, Examinateur
  • Hubert KADIMA, EISTI, Examinateur

Retour