1 / 80

Laboratoire LE2I – UMR CNRS 5158 – Université de Bourgogne

Une architecture de systèmes de recommandation de combinaison d’items. Application au tourisme. Le 7 Décembre 2011. Romain Picot-Clémente. Laboratoire LE2I – UMR CNRS 5158 – Université de Bourgogne. INTRO DUCTION 1.0. Association loi 1901 Subventionnée par le Conseil Général

benoit
Télécharger la présentation

Laboratoire LE2I – UMR CNRS 5158 – Université de Bourgogne

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Une architecture de systèmes de recommandation de combinaison d’items. Application au tourisme. Le 7 Décembre 2011 Romain Picot-Clémente Laboratoire LE2I – UMR CNRS 5158 – Université de Bourgogne

  2. INTRODUCTION 1.0 • Association loi 1901 • Subventionnée par le Conseil Général • Président : Jean-Pierre REBOURGEON Côte-d’Or Tourisme Missions

  3. INTRODUCTION 1.0 Côte-d’Or Tourisme • Promouvoir le tourisme en Côte-d’Or • Conseiller, développer Missions

  4. INTRODUCTION 2.0 Contexte Touristique Problèmes Objectifs industriels

  5. INTRODUCTION 2.0 Contexte Touristique • Pas de relation de conseil • Pertinence • Surcharge cognitive Problèmes Objectifs industriels

  6. INTRODUCTION 2.0 Contexte Touristique Problèmes • Ensemble d’offres personnalisées • Savoir-faire --> conseil Objectifs industriels

  7. INTRODUCTION 3.0 Domaine de Recherche • Systèmes de recommandation • Résolution du problème de surcharge cognitive • Proposition de recommandations d’items Application Industrielle

  8. INTRODUCTION 3.0 Domaine de Recherche • Système de recommandation touristique • Combinaison pertinente d’offres (items) • Prise en compte du savoir-faire de Côte d’Or Tourisme • Gestion de la mobilité Application Industrielle

  9. PLAN Systèmes de recommandation Etat de l’Art Architecture Couche Sémantique Couche Utilisateur Couche Intelligence Optimisation Combinatoire Implémentation Application Mobile Ontologie Règles Métaheuristique Définition du Problème Métaheuristiques Interfaces

  10. ETAT DE L’ART 1.0 • Systèmes de recommandation • Modélisation des items / utilisateur • Comparaison Basés sur le contenu Basés sur le filtrage collaboratif

  11. ETAT DE L’ART 1.0 • Systèmes de recommandation Basés sur le contenu • Choix des autres utilisateurs • Pas de modélisation items Basés sur le filtrage collaboratif

  12. ETAT DE L’ART 2.0 • Méthodes basées sur le contenu Vecteurs de mots-clefs comparaison Réseaux sémantiques Utilisateur Document/item Ontologie

  13. ETAT DE L’ART 2.0 • Méthodes basées sur le contenu Vecteurs de mots-clefs Réseaux sémantiques Document textuel(Item) • Mots-clefs + relations de cooccurrence • Comparaison utilisateur/items Ontologie

  14. ETAT DE L’ART 2.0 • Méthodes basées sur le contenu Vecteurs de mots-clefs Réseaux sémantiques • Pondérée --> comparaisons • Modélise utilisateur + Indexe items --> correspondances Ontologie

  15. ETAT DE L’ART 2.0 • Méthodes basées sur le contenu Vecteurs de mots-clefs comparaison Réseaux sémantiques 4 5 5 1 1 1 1 Item Utilisateur 3 3 2 2 2 2 2 2 6 6 4 4 1 1 4 4 2 2 7 7 1 1 4 4 4 4 4 1 1 1 1 • Pondérée --> comparaisons • Modélise utilisateur + Indexe items --> correspondances Ontologie

  16. ETAT DE L’ART 2.0 • Méthodes basées sur le contenu Vecteurs de mots-clefs Utilisateur Réseaux sémantiques • Pondérée --> comparaisons • Modélise utilisateur + Indexe items --> correspondances Ontologie

  17. ETAT DE L’ART 3.0 • Formelle, Rigoureuse • Expressivité • Moteur d’inférences • Standardisée (owl) • Outils nombreux Intérêt ontologie Type de recommandations Savoir-faire

  18. ETAT DE L’ART 3.0 Intérêt ontologie Type de recommandations VS Savoir-faire Combinaison Liste d’items

  19. ETAT DE L’ART 3.0 Intérêt ontologie Type de recommandations • Non considéré dans les SR actuels • Ontologie support Savoir-faire

  20. ARCHITECTURE 1.0 • Architecture générique • Couche sémantique • Couche utilisateur • Couche intelligence Trois couches Couche sémantique Couche utilisateur Couche intelligence

  21. ARCHITECTURE 1.0 • Architecture générique Trois couches • Domaine / items • Savoir-faire • Ontologie Couche sémantique Couche utilisateur Couche intelligence

  22. ARCHITECTURE 1.0 • Architecture générique Trois couches Couche sémantique • Liées au domaine • Propres à l’utilisateur Couche utilisateur Couche intelligence

  23. ARCHITECTURE 1.0 • Architecture générique Trois couches Couche sémantique Couche utilisateur • Déduire intérêts utilisateur sur items • Rechercher combinaison Couche intelligence

  24. ARCHITECTURE 2.0 • Couche sémantique • Ontologie de domaine • Items indexés Modèle de domaine Exemple Modèle de buts Exemple

  25. ARCHITECTURE 2.0 • Couche sémantique Modèle de domaine Exemple Modèle de buts Exemple

  26. ARCHITECTURE 2.0 • Couche sémantique Modèle de domaine Exemple • Savoir-faire • Ontologie de buts • Règles métiers Modèle de buts Exemple

  27. ARCHITECTURE 2.0 • Couche sémantique Modèle de domaine Exemple Règle métier Modèle de buts Pertinence des items dans ce but Exemple

  28. ARCHITECTURE 3.0 • Couche utilisateur Partie statique • Nom • Age • Position géographique • Genre • … Partie dynamique

  29. ARCHITECTURE 3.0 • Couche utilisateur Partie statique Partie dynamique Buts utilisateur

  30. ARCHITECTURE 4.0 • Couche intelligence • Intérêt utilisateur sur items • Partie dynamique --> poids Phase 1 : Projection/pondération Matrice Buts-Items Intérêts utilisateurs

  31. ARCHITECTURE 4.0 • Couche intelligence Phase 1 : Projection/pondération 5 items : {item1, item2, item3, item4, item5} 3 buts : {Sportif, Entre_amis, Nature} Règles métiers Matrice Buts-Items • Sportif • Entre_amis • Nature Intérêts utilisateurs item1 item2 item3 item4 item5

  32. ARCHITECTURE 4.0 • Couche intelligence Phase 1 : Projection/pondération 5 items : {item1, item2, item3, item4, item5} 3 buts : {Sportif, Entre_amis, Nature} Règles métiers Matrice Buts-Items • Sportif • Entre_amis • Nature Intérêts utilisateurs Sportif Nature Partie dynamique (utilisateur) : Entre_amis item1 item1 item2 item2 Poids d’intérêts utilisateur : item3 item3 item4 item4 item5 item5

  33. ARCHITECTURE 5.0 • Couche intelligence • Pattern de combinaison • Fonction de comparaison • Algorithme de recherche Phase 2 : Recherche combinatoire Pattern de combinaison Fonction de pertinence Algorithme

  34. ARCHITECTURE 5.0 • Couche intelligence Phase 2 : Recherche combinatoire Pattern de combinaison Fonction de pertinence Algorithme

  35. ARCHITECTURE 5.0 • Couche intelligence Phase 2 : Recherche combinatoire Pattern de combinaison • Comparer combinaisons • Corrélation entre items • Dépend application Fonction de pertinence Algorithme

  36. ARCHITECTURE 5.0 • Couche intelligence Phase 2 : Recherche combinatoire 2000 activités, 1000 restaurants, 1000 hôtels 2 milliardsde combinaisons Pattern de combinaison Fonction de pertinence • Explosion combinatoire • Méthode exacte trop lente • Métaheuristiques • Dépend application (temps, qualité, nbre résultats, …) Algorithme

  37. OPTIMISATION COMBINATOIRE 1.0 • Meilleurs items • Pattern touristique • Proximité Problème touristique Définitions

  38. OPTIMISATION COMBINATOIRE 1.0 Problème touristique • Définitions • Items • Pattern • Combinaison avec un poids Définitions

  39. OPTIMISATION COMBINATOIRE 2.0 • Quantifie éloignement • Ecart-type coordonnées Dispersion combinaison Dispersion modérée

  40. OPTIMISATION COMBINATOIRE 2.0 Dispersion combinaison • Eloignement subjectif • Tolérance de dispersion • Minimiser Dispersion modérée

  41. OPTIMISATION COMBINATOIRE 3.0 • Pattern • Dispersion modérée Sous-combinaison Exemple

  42. OPTIMISATION COMBINATOIRE 3.0 Sous-combinaison Exemple

  43. OPTIMISATION COMBINATOIRE 4.0 • Moyenne poids items • Maximiser Poids de combinaison Pertinence de combinaison

  44. OPTIMISATION COMBINATOIRE 4.0 Poids de combinaison • Agrégation poids, dispersions modérées • Maximiser Pertinence de combinaison

  45. OPTIMISATION COMBINATOIRE 5.0 • Positionnement • Capacité max • Maximiser valeur totale Problème de sac à dos Items Problème de sac à dos multidimensionnel à choix multiple Différences

  46. OPTIMISATION COMBINATOIRE 5.0 • Positionnement Problème de sac à dos Problème de sac à dos multidimensionnel à choix multiple Différences

  47. OPTIMISATION COMBINATOIRE 5.0 • Positionnement Problème de sac à dos Problème de sac à dos multidimensionnel à choix multiple • Plusieurs items d’un même type • Ordonnancement important Différences

  48. OPTIMISATION COMBINATOIRE 6.0 • Métaheuristique • Parcours non linéaire espace • Caractère semi-aléatoire Principe Avantage Inconvénient

  49. OPTIMISATION COMBINATOIRE 6.0 • Métaheuristique Principe • Flexibilité • Rapidité • Accessibilité Avantage Inconvénient

  50. OPTIMISATION COMBINATOIRE 6.0 • Métaheuristique Principe Avantage • Optimum pas assuré Inconvénient

More Related