Web datamining: learning from user feedback
Web datamining: learning from user feedback
Fichiers
Date
2023-06-04
Auteurs
BELMECHERI Nassim
Nom de la revue
ISSN de la revue
Titre du volume
Éditeur
Résumé
La croissance impressionante d’Internet a conduit à la génération d’une quantité quasi- exponentielle de données, donnant naissance à tout un domaine de recherche, à savoir la fouille de données (data mining), dont l’objectif est de développer des algorithmes capables d’extraire des régularités dans les données. La prise en compte de l’avis des utilisateurs dans le processus de fouille de données est une approche qui met l’accent sur les besoins, les objectifs et les préférences des utilisateurs finaux. Cette thèse explore di- vers contextes dans lesquels les préférences des utilisateurs peuvent être exploitées pour améliorer l’expérience utilisateur, à savoir les tâches de classement, les contraintes quali- tatives, les relations entre les objets et l’appariement des objets à partir d’un alignement partiel.
En exploitant des techniques multicritères de prise de décision et d’apprentissage au- tomatique, notre travail vise à apprendre les préférences/contraintes des utilisateurs et à développer des outils pour fournir des interactions plus personnalisées. En considérant les préférences/contraintes des utilisateurs dans différents contextes, cette thèse s’efforce d’améliorer l’efficacité et la convivialité de divers systèmes et applications dans l’exploita- tion de données, notamment dans le contexte Web. Nous présentons trois contributions dans différents contextes, exploitant finement les préférences des utilisateurs dans un processus interactif d’apprentissage.
Notre première contribution propose une nouvelle fonction de classement apprise à partir des préférences des utilisateurs. Cette fonction est conçue pour attribuer un rang aux objets, tels que les motifs et les images. La deuxième contribution est basée sur l’exploitation des retours utilisateurs pour apprendre des contraintes qualitatives entre des objets spatiaux/temporels. Nous exploitons ces préférences utilisateurs pour générer un réseau de contraintes qualitatives qui modélise, aussi étroitement que possible, le modèle de l’utilisateur. Enfin, notre troisième contribution traite la problématique de recherche d’un couplage entre les objets en utilisant les contraintes des utilisateurs. Nous proposons l’utilisation d’une méthode d’apprentissage supervisé qui utilise les préférences des utilisateurs pour apprendre une fonction de couplage pour aligner des ontologies.
Ces trois contributions, bien que distinctes dans leurs contextes respectifs, sont reliées par un diviseur commun : la considération des préférences des utilisateurs dans le pro- cessus d’apprentissage. En plaçant l’utilisateur au centre du processus d’apprentissage, notre objectif est de créer des systèmes plus efficaces et centrés sur l’utilisateur.
Description
Mots-clés
Fouille de données; Fouille de données interactive; Apprentissage super- visé; Classification; Acquisition de contraintes ; Optimisation multicritères.