Industrial recommendation systems in big data context: efficient solutions for cold start issues

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

Nowadays, users are inundated with the large volume of data flowing in the web. This information overload makes users unable to locate and to find the wanted information at the right moment, especially when they lack sufficient experience to deal with these immense amounts of data. Lately, sophisticated tools were developed to deal with these emergent challenges, among them we find Recommender Systems ( RSs). This thesis deals with automatic RSs that aim to provide items that fit with users’ preferences. These tools are increasingly used by many content platforms to assist users to access to the needed information. In fact, to perform correctly a RS needs to model user’s profile by acquiring information about user’s interests as the visited content and/or user’s actions (clicks, comments, etc). However, modeling these interests is considered as a hard task, especially when the RS has no prior knowledge about a user or an item (cold-start issue). Therefore, modeling user’s profile is complex, since the generated recommendations are often far away from the real user’s interests. In addition, existing approaches are unable to ensure good performance on platforms with high traffic and which host a huge volume of data. In order to solve these issues and to obtain more relevant recommendations, in this thesis we made three main contributions: 1) proposing a CCSDW method to compute criteria and items weights to be used during the profiling of new users to better understand their preferences and to tackle the new-user issue 2) presenting a hybrid RS based on a linear combination of CF and an enhanced CB approach using HFSM to compensate the lack of data about new items and to deal also with long tail issue 3) implementing a distributed recommendation engine with Apache Spark to enhance the scalability and response time. To demonstrate the interest of the proposed approaches, they were evaluated using different data sets in term of coverage and recommendation accuracy. Furthermore, the distributed algorithms were evaluated to validate their scalability in an industrial context.

روابط وملفات

التعريف والنوع

رقم الوثيقة

0d05253e-8a8c-4f22-a29c-0a07e7fa5a39

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل دكتوراة

نوع الملف

pdf text

أسماء الملفات

1213860_1.pdf

بيانات النشر

ألقاب المؤلفين

[{"name_ar":"Bouchra Frikh ","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"Brahim Ouhbi ","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"Ferdaous Hdioud","title_ar":"اعداد","title_en":"Preparation"}]

اللغة

English

المصدر والدورية

اسم المصدر

Industrial recommendation systems in big data context: efficient solutions for cold start issues

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

De nos jours, avec l'émergence du web, la prise en compte de l'utilisateur lors du processus de recherche d'information est devenue une nécessite. Ce défi concède la satisfaction des attentes des utilisateurs et leur rétention ; qui est connu sous le nom de personnalisation. En effet, la personnalisation connue sous le nom de Systèmes de Recommandation est un domaine de recherche qui attire l'attention de nombreux chercheurs dans le but de proposer les produits les plus proches des gouts de chaque utilisateur. Cette thèse couvre l'étude des systèmes de recommandation, en mettant l'accent sur les différents types de problèmes de démarrage à froid. Dans une première contribution, nous avons résolu le problème du démarrage à froid des nouveaux utilisateurs. Pour cela, nous avons proposé un processus d'apprentissage actif basé sur une méthode de pondération des articles que nous avons appelé CCSDW. Cette méthode repose sur l'exploitation des évaluations multicritères pour évaluer l'importance des critères et calculer leur poids. Ensuite, les poids des critères sont utilisés pour calculer les poids des produits et les réordonner pour qu'ils soient évalues ensuite par le nouvel utilisateur au cours du processus de l' Active Learning (AL). Un autre problème important sur lequel nous nous sommes focalises est celui du nouveau produit. Nous avons résolu ce problème en utilisant un nouvel algorithme de clustering du contenu base sur la méthode HFSM (Hybrid Features Selection Method). Cette méthode permet de calculer les similarités entre les produits en fonction de leur contenu ce qui permet de compenser les votes manquants soit dans le cas d'items appartenant a la longue queue, ou bien pour les Nouveaux items. Notre dernière contribution vise à intégrer toutes les approches développées précédemment dans une infrastructure de recommandation distribuée en exploitant les outils Big Data. Pour cela, nous avons établi un moteur de Recommandation à grande échelle par l'outil Spark. Les résultats expérimentaux ont montré une grande amélioration en terme du temps de calcul et en terme de qualité de recommandation.

إشراف وإعداد

الإشراف

Bouchra Frikh , Brahim Ouhbi

الإعداد

Ferdaous Hdioud

الاقتباسات الببليوغرافية