Marc Plantevit

User Tools

Site Tools

Trace:
pom18recsys

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision 		Previous revision
pom18recsys [2018/10/25 11:04]
mplantev 		pom18recsys [2020/11/25 15:06] (current)
mplantev
Line 1: Line 1:
-====== Vers un système de recommandation efficace et explicable ======+====== XRecSys : Explicabilité des systèmes de recommandation  ======
  
-<note>**Thèmes :** Machine Learning, Data Mining, Système de recommandation, Sequence embedding +**Thèmes :** Machine Learning, Data Mining, Système de recommandation, Sequence embedding, Deep Neural Networks, Explainable Artificial Intelligence
  
 **Encadrant(s) :** Marc Plantevit **Encadrant(s) :** Marc Plantevit
Line 8: Line 8:
  
 **Equipe :** DM2L **Equipe :** DM2L
-</note>+
  
  
Line 18: Line 18:
 recommandations personnalisées. Outre son efficacité, on attend d'un système de recommandation qu'il soit explicable. En d'autres mots, chaque recommandation peut être justifiée.  recommandations personnalisées. Outre son efficacité, on attend d'un système de recommandation qu'il soit explicable. En d'autres mots, chaque recommandation peut être justifiée. 
  
-Nous avons récemment développer un algorithme efficace et qui permet de fournir des éclairages sur la recommandation.  +L'objectif de ce projet est de développer une méthode pour expliquer les recommandations faites par un système de recommandation. 
-Cependant, les explications apportées pour chaque recommandation ne sont pas toujours suffisante. Notamment, les rôles des actions récentes  +
-de l'utilisateur et de son historique global ne sont pas toujours clairs. +
  
-L'objectif de ce projet est d'améliorer la partie explicative de ce modèle. +Nous nous focaliserons sur la //TOP n recommandation // (i.e., des modèles qui proposent une liste ordonnée de // n // items).  
 + 
 +Plusieurs axes de travail sont possibles selon l'appétence du ou des étudiants : 
 +  * méthode //modèle-agnostique// fonctionne pour tout type de modèle vs méthode //ad hoc// qui étudiera le fonctionnement interne d'un modèle. 
 +  * comparaisons de modèles. 
 +  * ...
  
 === Travail demandé === === Travail demandé ===
Line 28: Line 31:
  
   * étude des principales méthodes de recommandation   * étude des principales méthodes de recommandation
-  * étude approfondie de notre méthode et son implémentation +  * Proposition et implémentation d'un méthode d'explication des recommandations (plusieurs possibilités en fonction de l'affinité des étudiants) 
-  * Proposition et implémentation d'améliorations (plusieurs possibilités en fonction de l'affinité des étudiants) +
   * Etude empirique de la méthode proposée sur différents jeux de données réels (Amazone, Foursquare, MovieLens, etc.).    * Etude empirique de la méthode proposée sur différents jeux de données réels (Amazone, Foursquare, MovieLens, etc.). 
- + 
 +=== Ressources === 
 + 
 +Corentin Lonjarret, Céline Robardet, Marc Plantevit, Roch Auburtin, Martin Atzmueller: 
 +** Why Should I Trust This Item? Explaining the Recommendations of any Model**. DSAA 2020: 526-535 
 + 
 + 
 +[[https://christophm.github.io/interpretable-ml-book/|Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.Christoph Molnar. 2020-11-23]]
  
 === Informations complémentaires === === Informations complémentaires ===
pom18recsys.1540458282.txt.gz · Last modified: 2018/10/25 11:04 by mplantev

Page Tools

CNRS INSA de Lyon Université Lyon 1 Université Lyon 2 École centrale de Lyon