Diversité et système de recommandation : application à une plateforme de blogs à fort trafic - Université Toulouse 1 Capitole Accéder directement au contenu
Thèse Année : 2014

Diversity and recommender system: application to a high traffic blog platform

Diversité et système de recommandation : application à une plateforme de blogs à fort trafic

Résumé

Recommender Systems aim at automatically providing objects related to user’s interests. These tools are increasingly used on content platforms to help the users to access information. In this context, user’s interests can be modeled from the visited content and/or user’s actions (clicks, comments, etc). However, these interests can not be modeled for an unknown user (cold start issue). Therefore, modeling is complex and recommendations are often far away from the real user’s interests. In addition, existing approaches are generally not able to guarantee good performances on platforms with high traffic and which host a significant volume of data.To obtain more relevant recommendations for each user, we propose a recommender system model that builds a list of recommendations aiming at covering a large range of interests, even when only few information about the user is available. The recommender system model we propose is based on diversity. It uses different interest measures and an aggregation function to build the final set of recommendations.We demonstrate the interest of our approach using reference collections and through a user study. Finally, we evaluate our model on the OverBlog platform to validate its scalability in an industrial context.
Les systèmes de recommandation ont pour objectif de proposer automatiquement aux usagers des objets en relation avec leurs intérêts. Ces outils d’aide à l’accès à l’information sont de plus en plus présents sur les plateformes de contenus. Dans ce contexte, les intérêts des usagers peuvent être modélisés à partir du contenu des documents visités ou des actions réalisées (clics, commentaires, ...). Cependant, ces intérêts ne peuvent être modélisés en cas de démarrage à froid, c’est-à-dire pour un usager inconnu du système ou un nouveau document. Cette modélisation s’avère donc complexe à obtenir, et demeure parfois incomplète, conduisant à des recommandations bien souvent éloignées des intérêts réels des usagers. De plus, les approches existantes ne sont généralement pas en mesure de garantir des performances satisfaisantes sur des plateformes à fort trafic et hébergeant une volumétrie de données conséquente.Pour tendre vers des recommandations plus pertinentes, nous proposons un modèle de système de recommandation qui construit une liste de recommandations répondant à un large spectre d’intérêts potentiels, et ce même dans un contexte où le système ne possède que peu d’informations sur l’usager. L’originalité de notre modèle est qu’il repose sur la notion de diversité. Cette diversité est obtenue en agrégeant le résultat de différentes mesures de sélection pour construire la liste de recommandations finale.Après avoir démontré l’intérêt de notre approche en utilisant des corpus des références, ainsi qu’au travers d’une évaluation auprès d’usagers réels, nous évaluons notre modèle sur la plateforme de blogs OverBlog. Nous validons ainsi notre proposition dans un contexte industriel à grande échelle.
Fichier principal
Vignette du fichier
DUDOGNON-these.pdf (22.58 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-01133938 , version 1 (20-03-2015)

Identifiants

  • HAL Id : tel-01133938 , version 1

Citer

Damien Dudognon. Diversité et système de recommandation : application à une plateforme de blogs à fort trafic. Informatique [cs]. UPS Toulouse; IRIT, Toulouse, 2014. Français. ⟨NNT : ⟩. ⟨tel-01133938⟩
390 Consultations
110 Téléchargements

Partager

Gmail Facebook X LinkedIn More