• Thèmes : Fouille de données (data mining), Machine Learning, Recherche d'Information
• Encadrant : Marc Plantevit, Céline Robardet
• Laboratoire : LIRIS
• Equipe : DM2L (Data Mining and Machine Learning)

Les Systèmes de recommandation sont une forme spécifique de filtrage de l'information visant à présenter les éléments d'information (films, musique, livres, news, images, pages Web, etc) qui sont susceptibles d'intéresser l'utilisateur. Généralement, un système de recommandation permet de comparer le profil d'un utilisateur à certaines caractéristiques de référence, et cherche à prédire l'« avis » que donnerait un utilisateur. Ces caractéristiques peuvent provenir de :

• l'objet lui-même, on parle « d'approche basée sur le contenu » ou content-based approach,
• l'utilisateur,
• l'environnement social, on parle d'approche de filtrage collaboratif ou collaborative filtering.

De nombreux algorithmes ont été proposés ces vingt dernières années. La plupart d'entre eux capturent parfaitement l'intérêt de l'utilisateur pour recommander des items similaires à ceux qu'il a déjà évaluer très positivement. Par exemple, si l'utilisateur est fan de certains films de science fiction, les algorithmes de recommandation vont lui proposer des films similaires. Ce type de recommandation est extrêmement efficace dans certains contextes (e.g., Netflix) mais s'avère relativement limiter dans d'autres. En effet, ces approches ne sont pas pertinentes lorsque l'intérêt de l'utilisateur est amené à évoluer au cours du temps comme par exemple dans des processus d'apprentissage. En effet, il est inutile de recommander un cours d'introduction à Python si l'utilisateur a déjà acquis certaines compétences et il est donc plus pertinent de lui recommander un cours avancé. Dans de tels contextes, il faut donc arriver à modéliser automatiquement l'évolution de l'utilisateur et l'intégrer dans un algorithme de recommandation.

Le travail demandé est le suivant :

• Lecture et compréhension de certaines méthodes de recommandation (identification des limites)
• Utiliser de la fouille de séquences pour modéliser des processus d'apprentissage utilisateur.
• Proposition et implémentation d'un nouvel algorithme de recommandation.
• Evaluation sur des données réelles.

Ce projet est pertinent pour les étudiants désirant s'orienter vers les masters 2 DS, TIW, IA.