Personnalisation d’analyses en fonction de profils d’un groupe d’utilisateurs

Mots-clés

  • Réseaux sociaux
  • Requêtes à préférences
  • Recommandation
  • Fusion de préférences

Description du stage

Le contexte applicatif de ce stage concerne l’analyse des réseaux sociaux.

Le contexte théorique est celui des requêtes à préférences appliquées à des bases de données volumineuses. L’expression de préférences dans des requêtes est devenue dans la communauté bases de données un sujet dont l’importance est maintenant pleinement reconnue. L’intérêt majeur de ces requêtes est double : elles permettent d’une part de traduire fidèlement le besoin d’information d’un utilisateur donné, d’autre part de produire un ensemble de réponses ordonnées (ce qui est particulièrement intéressant dans le cas d’interrogation de gros volumes de données). En pratique, il est courant que l’expression des préférences dépende du contexte et du profil d’un utilisateur donné. Cependant, avec l’avènement des réseaux sociaux tels que Facebook, Twitter, Instagram, …, l’utilisateur n’est plus considéré comme une entité individuelle, du moins plus uniquement. Dans ce contexte, l’utilisateur désigne une entité sociale interconnectée et est auteur de flux d’informations conséquents.

Après une analyse bibliographique, l’objectif de ce stage sera la mise en place d’un système collaboratif permettant de personnaliser les analyses (i.e. requêtes à préférences) en fonction des profils d’un groupe d’utilisateurs.

Dans un premier temps, ceci nécessiterait la détermination des utilisateurs les plus proches de l’utilisateur courant dans une communauté donnée (cercle d’amis sur Facebook, réseau professionnel sur LinkedIn, …). La mise en œuvre d’une mesure de similarité pour comparer les profils des utilisateurs s’avère donc nécessaire. L’idée serait de définir la notion de lignes de niveaux (skyline) de profils par similarité. Ce type de requêtes multicritères permettra l’extraction de tous les profils utilisateurs de la base de données interrogée qui ne sont dominés par aucun autre profil utilisateur de la base au sens de la relation de dominance par similarité définie dans [2]. Chaque profil réponse sera retourné avec un vecteur de scores montrant les différentes similarités correspondant aux différentes caractéristiques avec le profil de la requête. Une étape d’appariement d’utilisateurs sera ensuite ajoutée en amont des requêtes à préférences. Les algorithmes d’intégration de préférence et de génération de recommandation [3] resteront inchangés, mais ils prendront en entrée des préférences de différents utilisateurs.

Contacts

Tassadit Bouadi : tbouadi@irisa.fr

Arnaud Martin : arnaud.martin@irisa.fr

Bibliographie

  1. Hogg, T., Inferring preference correlations from social networks, Electronic Commerce Research and Applications, Vol. 9, pp. 29‐37, 2010.
  2. K. Abbaci, A. Hadjali, L. Lietard, and D. Rocacher. A similarity skyline approach for handling graph queries – a preliminary report. In Proceedings of the 2011 IEEE 27th International Conference on Data Engineering Workshops, ICDEW ’11, 2011.
  3. T. Bouadi, M-.O. Cordier, and R. Quiniou. Computing skyline incrementally in response to online preference modification. T. Large-Scale Data- and Knowledge-Centered Systems, 10 :34–59, 2013.
  4. Swapnil Dhamal and Y Narahari. Scalable preference aggregation in social networks. In First AAAI Conference on Human Computation and Crowdsourcing, pages 42–50. AAAI, 2013.

Leave a Reply

Your email address will not be published.