Soutenance de thèse : Lu GAN

Towards Diversified Recommendation

Doctorante : Lu GAN

Laboratoire INSA : LIRIS

Ecole doctorale : ED512 Informatique Et Mathématiques de Lyon

Les systèmes de recommandation (RS) sont utilisés dans les nombreux services actuels afin de satisfaire les besoins des utilisateurs en fournissant des recommandations personnalisées. Dans les modèles de recommandation top-N classiques, les interactions historiques entre utilisateur et éléments sont recueillies et exploitées pour apprendre et prédire l’intérêt d’utilisateur vis-à-vis de nouveaux éléments et renvoyer des listes de top-N éléments. Cependant, les informations auxiliaires côté utilisateur et côté élément peuvent contribuer à l’amélioration de la qualité des recommandations. En termes de mesures de performance de recommandation, la précision a été le principal objectif dans RS, bien que des travaux existants aient souligné qu’une précision optimale n’égale pas à une satisfaction optimale des utilisateurs vis-à-vis de la recommandation. Un modèle de recommandation centré sur la précision peut renvoyer des résultats redondants en créant filter bubbles. Il est donc essentiel d’apporter d’autres objectifs dans RS pour atténuer ces problèmes.
Dans cette thèse, nous nous concentrons sur le rapport de diversité et de précision en recommandation, car nous considérons qu'une recommandation diversifiée aide à pallier les problèmes de RS centrés sur la précision. Nous prenons également en compte les informations auxiliaires côté élément pour améliorer la qualité. Ainsi, nous proposons des recommandations diversifiées top-N basées sur le plongement de graphes de connaissances pour atteindre à la fois une haute précision et une grande diversité dans les listes recommandées.
Notre première contribution est DivKG, un modèle qui combine le plongement de graphes de connaissances (KGE) et les processus ponctuels déterminantaux (DPP). Nous proposons une nouvelle méthode de construction de matrice de noyau DPP personnalisée qui utilise des résultats de KGE pour la diversification DPP.
Notre deuxième contribution est EMDKG, un modèle qui encode la diversité sémantique dans les représentations d'éléments et réalise un meilleur compromis de précision et diversité par rapport aux méthodes de l'état-de-l'art.