Exploitation des données "disponibles à froid" pour améliorer le démarrage à froid dans les systèmes de filtrage d'information

Dans les systemes de filtrage d'information, les utilisateurs recoivent des documents que leur recommande le systeme sur la base de leurs profils et/ou de leurs communautes, mais le probleme du " demarrage a froid " conduit a des performances tres pauvres pour les nouveaux utilisateurs. Nous ameliorons ici les techniques classiques de demarrage a froid en exploitant les donnees " disponibles a froid " (par exemple âge, profession, lieu de residence, etc.) afin d'associer automatiquement les meilleures communautes initiales aux nouveaux utilisateurs. Nous nous appuyons sur le modele existant des " espaces de communautes ", et nous utilisons un processus de classification par regles et definissons un processus de recommandations par niveau d'accord. L'evaluation montre que cette approche fournit des recommandations meilleures que celles obtenues suite a un processus de demarrage a froid classique.

[1]  Yiming Ma,et al.  Improving an Association Rule Based Classifier , 2000, PKDD.

[2]  Catherine Berrut,et al.  Modèle d'espaces de communautés basé sur la théorie des ensembles d'approximation dans un système de filtrage hybride , 2006, CORIA.

[3]  John Riedl,et al.  Combining Collaborative Filtering with Personal Agents for Better Recommendations , 1999, AAAI/IAAI.

[4]  Pavol Návrat,et al.  Combining Content-Based and Collaborative Filtering , 2000, ADBIS-DASFAA Symposium.

[5]  David M. Pennock,et al.  Generative Models for Cold-Start Recommendations , 2001 .

[6]  Alberto Maria Segre,et al.  Programs for Machine Learning , 1994 .

[7]  Raymond J. Mooney,et al.  Content-boosted collaborative filtering for improved recommendations , 2002, AAAI/IAAI.

[8]  Robin D. Burke,et al.  Hybrid Recommender Systems: Survey and Experiments , 2002, User Modeling and User-Adapted Interaction.

[9]  Mokrane Bouzeghoub,et al.  Personnalisation de l'information: aperçu de l'état de l'art et définition d'un modèle flexible de profils , 2005, CORIA.

[10]  Sean M. McNee,et al.  Getting to know you: learning new user preferences in recommender systems , 2002, IUI '02.

[11]  Michael J. Pazzani,et al.  A Framework for Collaborative, Content-Based and Demographic Filtering , 1999, Artificial Intelligence Review.

[12]  David Heckerman,et al.  Empirical Analysis of Predictive Algorithms for Collaborative Filtering , 1998, UAI.

[13]  Stuart E. Middleton,et al.  Ontological user profiling in recommender systems , 2004, TOIS.

[14]  Denyse Baillargeon,et al.  Bibliographie , 1929 .

[15]  Harith Alani,et al.  Exploiting Synergy Between Ontologies and Recommender Systems , 2002, Semantic Web Workshop.

[16]  Kate Ehrlich,et al.  Pointing the way: active collaborative filtering , 1995, CHI '95.

[17]  Catherine Berrut,et al.  Cartes de communautés pour l'adaptation interactive de profils dans un système de filtrage d'information , 2005, INFORSID.