On enhancing recommender systems by utilizing general social networks combined with users goals and contextual awareness / Rana Chamsi Abu Quba ; sous la direction de Salima Hassas et de Usama M. Fayyad

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : anglais / English

Réseaux sociaux (Internet)

Systèmes de recommandation (informatique)

Profilage des consommateurs

Exploration de données

Classification Dewey : 004.69

Hassas, Salima (1964-....) (Directeur de thèse / thesis advisor)

Fayyad, Usama M. (Directeur de thèse / thesis advisor)

Calabretto, Sylvie (1963-...) (Président du jury de soutenance / praeses)

Boughanem, Mohand (1964-.... ; enseignant-chercheur en informatique) (Rapporteur de la thèse / thesis reporter)

El-Bèze, Marc (19..-....) (Rapporteur de la thèse / thesis reporter)

Saleh, Imad (1960-.... ; informaticien) (Membre du jury / opponent)

Cherifi, Hocine (19..-.... ; auteur en automatique) (Membre du jury / opponent)

Université Claude Bernard (Lyon ; 1971-....) (Organisme de soutenance / degree-grantor)

École doctorale en Informatique et Mathématiques de Lyon (Ecole doctorale associée à la thèse / doctoral school)

LIRIS - Laboratoire d'Informatique en Image et Systèmes d'information (Rhône ; 2003-....) (Laboratoire associé à la thèse / thesis associated laboratory)

Résumé / Abstract : Nous sommes amenés chaque jour à prendre un nombre important de décisions : quel nouveau livre lire ? Quel film regarder ce soir ou où aller ce week-end ? De plus en plus, nous utilisons les ressources en ligne pour nous aider à prendre des décisions. Comme la prise de décision est assistée par le domaine en ligne, l'utilisation de systèmes de recommandation est devenue essentielle dans la vie quotidienne. Dans le même temps, les réseaux sociaux sont devenus une partie indispensable de ce processus ; partout dans le monde on les utilise quotidiennement pour récupérer des données de personne et de sources d'information en qui on a confiance. Quand les internautes passent du temps sur les réseaux sociaux, ils laissent de précieuses informations sur eux-mêmes. Cela a attiré l'attention des chercheurs et les professionnels de nombreux domaines académiques et commerciaux. Comme le domaine de la recommandation est un domaine qui a assisté à des changements de grande ampleur attribuable à des réseaux sociaux, il y a un intérêt évident pour les systèmes de recommandation sociale. Cependant, dans la littérature de ce domaine, nous avons constaté que de nombreux systèmes de recommandation sociale ont été évalués en utilisant des réseaux sociaux spécialisés comme Epinions, Flixter et d'autres types des réseaux sociaux de recommandation, qui tendent à être composées d'utilisateurs, d'articles, de notes et de relations. Ces solutions ne peuvent pas être étendues directement à des réseaux sociaux à usage général (GPSNs) comme Facebook et Twitter, qui sont des réseaux sociaux ouverts où les utilisateurs peuvent réaliser une variété d'actions utiles pour l'aide à la recommandation

Résumé / Abstract : We are surrounded by decisions to take, what book to read next? What film to watch this night and in the week-end? As the number of items became tremendous the use of recommendation systems became essential in daily life. At the same time social network become indispensable in people’s daily lives; people from different countries and age groups use them on a daily basis. While people are spending time on social networks, they are leaving valuable information about them attracting researchers’ attention. Recommendation is one domain that has been affected by the social networks widespread; the result is the social recommenders’ studies. However, in the literature we’ve found that most of the social recommenders were evaluated over Epinions, flixter and other type of domains based recommender social networks, which are composed of (users, items, ratings and relations). The proposed solutions can’t be extended directly to General Purpose Social Networks (GPSN) like Facebook and Twitter which are open social networks where users can do a variety of useful actions that can be useful for recommendation, but as they can’t rate items, these information are not possible to be used in recommender systems! Moreover, evaluations are based on the known metrics like MAE, and RMSE. This can’t guarantee the satisfaction of users, neither the good quality of recommendation