Système de recommandation contextuel

(Context-aware recommender system)

Cette dernière décennie a connue une prolifération remarquable des réseaux P2P,
PDMS, web sémantique, site web communautaire, e-commerce, etc. causant une surcharge
importante en termes d’information et de contenus disponibles et accessible. Les systèmes
d’information actuels traitent de grande quantité de données et délivrent par conséquence un
nombre important de résultat en réponse aux requêtes (et interactions) des utilisateurs. Ces
derniers se trouvent ainsi souvent incapable de distinguer l’information qui leurs est
pertinente de celle qui ne l’est pas.

Les systèmes de recommandations sont des outils efficaces, conçu pour palier au
problème de surcharge informationnelle en fournissant aux utilisateurs les contenus qui leur
sont les plus pertinents. Les recommandations se basent sur la prédiction du score qu’un
utilisateur donnera à un contenu. Ces prédictions sont faites à partir d’un model de profil
utilisateur qui résume généralement le comportement antérieur de l’utilisateur.

Netflix1 organise un challenge dans lequel l’entreprise offre 1 million de dollars pour
celui ou celle qui réussi à implémenter un système de recommandations plus pertinent que le
leur. Cette grosse somme d’argent montre le grand intérêt dont bénéficient les systèmes de
recommandation auprès des industriels.

Alors que les systèmes de recommandation classiques reposent essentiellement sur le

profil des utilisateurs pour leur proposer des recommandations, nous avons proposé dans nos
travaux passés un model d’accès personnalisé PAM [1] permettant de rendre les applications
sensibles aux profils des utilisateurs ainsi qu’à leurs contextes d’interaction. Le profil étant
l’ensemble des informations caractérisant l’utilisateur (données personnelles,
démographiques, préférences, etc.), et le contexte étant l’ensemble des informations
caractérisant l’environnement de l’interaction de l’utilisateur (temps d’interaction,
localisation, media utilisé pour l’interaction, température, …etc.).

Le travail demandé dans ce projet consiste à étudier les possibilités d’intégration des
informations contextuelles dans les systèmes de recommandation classique en suivant les
travaux initié par G. Adomavicius et al. [2], Anand et al. [3], et L. Baltrunas. [4]. Dans [1] une
approche basée sur le schéma multidimensionnel pour l’intégration du contexte a été
proposée. Les stagiaires devront réfléchir à une approche basés sur les services que propose le
PAM.

1
http://www.netflixprize.com/
Le plan du stage :
- Etat de l’art :
• Systèmes de recommendations (CF, CBF et hybride)
• Personnalisation et la contextualisation dans les systèmes de recommandation.
• Analyse du PAM, de ses services ainsi que de ses concepts.
- Proposition d’une approche de contextualisation d’un système de recommandation
• Spécification des structures de données : profils et contextes
• Spécification des algorithmes de matching retenus
• Spécification des autres services utilisés (Contextualization, Binding, etc)
- Implémentation du système proposé
• Java + Oracle
- Evaluation
• Création d’un benchmark de teste contextuel à partir de la plateforme de teste
d’APMD [5].
•
Pré-requis :
- Le stagiaire doit être en fin de cycle ingénieur ou en Master II
- Bonne connaissance en Base de données et SQL (Oracle +SQLplus)
- Bonne connaissance en programmation orientée objet (JAVA)

Encadrement :
- Sofiane ABBAR, Doctorant, Université de Versailles. Sofiane.abbar@prism.uvsq.fr
- Mokrane Bouzeghoub, Professeur des universités, Université de Versailles.
Mokrane.Bouzeghoub@prism.uvsq.fr.

Références :
[1] S. Abbar, M. Bouzeghoub, D. Kostadinov, S. Lopes, A. Aghasaryan, and S. Betge-
Brezetz. A personalized access model: concepts and services for content delivery platforms.
In Proceedings of the 10th International Conference on Information Integration & Web
Application Services (iiWas), Linz, Austria, pages 41–47, 2008

[2] G. Adomavicius, R. Sankaranarayanan, S. Sen, and A. Tuzhilin. Incorporating

contextual information in recommender systems using a multidimensional approach. ACM
Trans. Inf. Syst., 23(1):103–145, 2005.

[3] S. S. Anand and B. Mobasher. Contextual recommendation. Discovering and

Deploying User and Content Profiles. Berlin, Germany, pages 142–160, 2007.

[4] L. Baltrunas. Exploiting contextual information in recommender systems. In RecSys

’08, pages 295–298, New York, NY, USA, 2008. ACM.

[5] V. Peralta . Extraction and Integration of MovieLens and IMDb Data. Technical
Report, APDM project, Laboratoire PRiSM, Université de Versailles, Versailles, France,
Juillet 2007