
From Traditional to Context-Aware Recommendations by Correlation-Based Context Model
De la recommandation traditionnelle à la recommandation contextuelle par modèle de contexte à base de corrélation
Vahidi Ferdousi, Zahra (2020), From Traditional to Context-Aware Recommendations by Correlation-Based Context Model, doctoral thesis prepared under the supervision of Colazzo, Dario; Negre, Elsa, Université Paris sciences et lettres
Author(s)
Vahidi Ferdousi, ZahraUnder the direction of
Colazzo, Dario; Negre, ElsaAbstract (FR)
Avec l'augmentation du volume de données produit par divers ressources, nous avons un besoin croissant de systèmes de recommandation, qui filtrent les données pour aider les utilisateurs à trouver l'information appropriée. Afin de satisfaire encore plus les besoins des utilisateurs et générer des recommandations plus pertinentes, un nouveau type de systèmes de recommandation, nommé système de recommandation contextuel (CARS), intègre les informations contextuelles des utilisateurs dans le processus de recommandation. Cependant, il n'existe toujours pas de définition unique du contexte. L'objectif de cette thèse est, dans un premier temps, d'identifier les facteurs de contexte pertinents pour les CARSs, afin d'améliorer les précédentes propositions de l'état de l'art, et pouvant être utilisés pour un large éventail d'applications. Ensuite, nous proposons une nouvelle représentation du contexte, ainsi qu'une approche pour intégrer ce type d'information dans un système de recommandation. Nous représentons le contexte en nous basant sur l'influence du contexte sur les scores donnés par les utilisateurs aux éléments, calculée à l'aide du Coefficient de Corrélation de Pearson. Ensuite nous filtrons les données à partir de ces représentations, afin de les intégrer dans le processus de recommandation. Nous présentons deux approches de recommandations contextuelles à base de pré-filtrage et post-filtrage. De plus, nous proposons une méthode pour générer des explications pour nos recommandations contextuelles. Par des expérimentations, nous démontrons que notre approche réduit la parcimonie, problématique bien connue des CARS, et peut également améliorer les performances de l'état de l'art.Abstract (EN)
With the rise in volume of data from various sources, we have an increasing need of recommender systems, which provide a data filtering to help users to find appropriate information. To satisfy even more users’ needs and generate more relevant recommendations, a new kind of recommender systems called CARS integrates contextual information related to the users in their recommendation process. However there exists no unique definition for context. In this thesis we firstly identify relevant context factors for CARSs, to improve upon previous propositions, which can be used for a large spectrum of applications. Then we propose a new context representation and approach to integrate this kind of information into a recommender system. We make a relevant representation of the context, based on the influence of context on ratings, calculated using the Pearson Correlation Coefficient. We present a pre-filtering and a post-filtering context-aware recommender systems based on this representation. We propose a method to generate explanations for our context-aware recommendations. Also, we demonstrate that our approach can reduce the well-known sparsity problem of CARS and outperform state of the art approaches.Subjects / Keywords
Recommandation contextuelle; Filtrage à base de correlation; Intégration d'information contextuelle; Context-Aware recommandation; Correlation-Based filtering; Contextual information integrationRelated items
Showing items related by title and author.
-
Vahidi Ferdousi, Zahra; Colazzo, Dario; Negre, Elsa (2018) Communication / Conférence
-
Li, Siying; Abel, Marie-Helene; Negre, Elsa (2021) Communication / Conférence
-
Vahidi Ferdousi, Zahra; Negre, Elsa; Colazzo, Dario (2017) Communication / Conférence
-
Negre, Elsa; Ravat, Franck; Teste, Olivier (2018) Communication / Conférence
-
Zhong, Jinfeng; Negre, Elsa (2021) Communication / Conférence