Nos travaux s'articulent autour de l'extraction et de l'analyse de données issues de sources hétérogènes pour les rendre facilement accessibles et exploitables par les utilisateurs/décideurs. En effet, il devient de plus en plus difficile de savoir quelles sont les données à rechercher et où les trouver lorsque la masse de données/informations s'accroît. Des techniques informatiques existent pour faciliter cette recherche et permettre une extraction pertinente des données/informations. L'une d'entre elles est la recommandation qui guide l'utilisateur lors de son exploration, en cherchant pour lui les informations susceptibles d'être pertinentes. Un enjeu intéressant est de proposer un système de recommandation capable de s'adapter à différents cas d'applications, avec de bonnes performances du point de vue de l'utilisateur/décideur et palliant certains manques des systèmes de recommandation existants. Dans le cadre de nos travaux, l'ensemble des données à explorer peut provenir de différents domaines (les environnements de travail collaboratif, les plateformes d'apprentissage en ligne, les entrepôts de données, les villes intelligentes, les systèmes d'alertes précoces, ...) et l'utilisateur à aider peut être un individu isolé ou une entité multiple à visée publique. Conscients que la masse de données/informations à explorer dans de tels cas peut être très importante, complexe et variée, il nous est apparu nécessaire de proposer des systèmes de recommandation appropriés pour y faire face. Nous proposons donc une approche générique de recommandation, en rupture complète avec les travaux existants, que nous instancions pour permettre de recommander soit des éléments, soit des utilisateurs, sous forme de recommandations individuelles ou à visée publique dans différents domaines. Puis, nous nous intéressons à l'évaluation des (systèmes de) recommandations. Afin d'assurer la pertinence des recommandations du point de vue de l'utilisateur/décideur, nous proposons des méthodes pour évaluer subjectivement d'une part le système de recommandation et d'autre part les recommandations retournées. Enfin, malgré de bonnes performances, parfois, les recommandations ne sont pas considérées comme suffisamment pertinentes. Nous proposons donc des techniques pour améliorer les (systèmes de) recommandations. Elles concernent l'amélioration des données d'entrée, le démarrage à froid et l'ajout de données/sources externes (notamment le contexte de l'utilisateur/décideur). Nos propositions ont été validées par la participation à différents projets ainsi que le co-encadrement de thèses de Doctorat et le suivi de travaux de Master Recherche.
Mots clés : Systèmes de recommandation, Analyse de données, Aide à la décision, Systèmes d'Information
Title : " Recommender systems: Genericity, Evaluation and Improvements "
Our work focuses on heterogeneous data extraction and analysis in order to make it easily accessible and exploitable by users/decision-makers. Indeed, it becomes increasingly difficult to know which data to look for and where to find it when the mass of data/information increases. IT techniques exist to facilitate this research and allow relevant extraction of data/information. One of them is the recommendation that guides the user during his/her exploration, seeking for him/her information that may be relevant. An interesting challenge is to propose a recommender system that can adapt to different applications, with good performances from user point of view and that can overcome some lacks of existing systems. As part of our work, the explored data set can come from different fields (collaborative work environments, massive open online courses, data warehouses, smart cities, early warning systems, ...) and the helped user may be an isolated individual or a multiple public entity. Aware that the mass of data/information to explore in such cases can be very large, complex and varied, it became necessary to propose appropriate recommender systems to cope. We propose a generic framework which is instantiated to recommend either items or users, as individual recommendations or public recommendations in multiple and varied fields. Then, we are interested in evaluating the recommendations. In order to ensure the relevance of the recommendations from user point of view, we propose methods to subjectively evaluate both the recommender system and the returned recommendations. Finally, despite good performance, sometimes, the recommendations are not considered sufficiently relevant. We therefore propose methods to enhance recommendations and recommender systems. They relate to the improvement of input data, cold start and the integration of external data/sources (including user context). Our proposals have been validated by participation in various projects and the co-supervision of PhD and Master theses.
Keywords: Recommender systems, Data science/analysis, Decision support systems, Information systems
