Tableau de bord d’un système de recommandation Etudiant : Quentin PARMENTIER Encadrant : Azim ROUSSANALY Introduction Le projet s’inscrit dans le cadre d’un Appel à Manifestation d’Intérêt (AMI) par le Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA). Le LORIA a développé un système de recommandation (SR), PERICLES, permettant de proposer des ressources pédagogiques intéressantes et de qualité. La première partie du projet est de comprendre ce qu’est un système de recommandation et comment l’évaluer. La deuxième est de développer un tableau de bord mettant en place plusieurs indicateurs qui vont nous permettre facilement de l’évaluer et avoir une vision globale de notre projet. Comment fonctionnent les SR ? Pour trouver les bonnes recommandations, les systèmes de recommandation fonctionnent en 3 étapes : La récupération de données Grâce à un questionnaire : Ou grâce à vos actions sur le site : Comment évaluer un SR ? Il existe trois grandes familles : L’évaluation centrée sur l’utilisateur On invite l’utilisateur dans nos locaux et il teste le SR en répondant à diverses questions. L’évaluation hors-ligne : On analyse la qualité d’un modèle à partir de données historiques, par exemple les ventes pour Amazon, sans l’aide de l’utilisateur cette fois. L’analyse en ligne : On analyse les données des utilisateurs en temps réel grâce à différents indicateurs de performance mis en place, ce fût notre choix. Qu’est-ce qu’un système de recommandation? C’est un système permettant un filtrage de l’information visant à présenter des éléments intéressants à un utilisateur. Le tableau de bord Les systèmes de recommandation du projet Nos systèmes permettent de proposer aux étudiants des ressources pédagogiques de qualités écrites par des enseignants du supérieur et qui sont ensuite vérifiées par un conseil. Elles sont disposées dans plusieurs Universités Numériques Thématiques (UNT). Il y a un SR sur ARCHE et un sur chaque UNT Un programme permettant de choisir différents paramètres comme la date de début, la date de fin, filtrer sur un algorithme précis ou une UNT spécifique. Il permet aussi de calculer l’évolution au fil du temps avec la checkbox « Différence ». On a aussi la possibilité de faire une analyse complète qui créée un document .docx propre avec des photos différents indicateurs. 2. Création d’un modèle utilisateur Le modèle dépend de l’approche utilisée. Dans notre cas on utilise deux modèles : La recommandation sociale : En fonction des utilisateurs qui vous ressemblent, le SR vous proposera des recommandations pour ce groupe. Plusieurs indicateurs sont disponibles à l’heure actuelle. En rajouter d’autres est très facile car la requête interrogeant la base de données est construite de manière automatique en fonction de nos choix, il y a donc que les données voulues qu’il reste à choisir pour créer son indicateur. Différents types de retours sont possibles : Le retour de base : Architecture du système de recommandation La recommandation Vector Space Model (VSM) : Utilise les mots clés des documents pour créer des vecteurs et calculer des similitudes à l’aide de distances entre vecteurs. Plus deux vecteurs sont proches, plus les documents auxquels ils appartiennent sont similaires. Le retour en utilisant « Différence » pour le même indicateur : La prédiction C’est le fait de choisir les recommandations envoyées à l’utilisateur. Pour cela, PERICLES dispose de 6 algorithmes dont 3 de bases et 3 variantes de ceux-ci. Le premier est basique, chaque mot pèse le même poids. Le second modifie le poids des mots, plus un mot est présent, plus son poids est élevé. Le troisième utilise la sémantique des mots. Au lieu de regarder le mot en lui-même, il regarde sa signification. Ainsi, si dans le document il n’y a pas le mot livre mais bouquin, bouquin aura un poids différent de 0 avec cet algorithme, ce qui ne serait pas le cas avec les autres. Dans un premier temps, un utilisateur visite une ressource. Le système sait qui est cette personne et ce qu’elle a déjà visité et grâce à cela, il va pouvoir aller interroger sa base de données (BDD) en fonction de ses connaissances et d’un algorithme. La BDD lui répond, « Ton utilisateur il sera surement intéressé par ces ressources là, propose lui ! » et enregistre ses réponses. Le site propose alors les ressources à l’utilisateur, c’est les recommandations. L’utilisateur est effectivement intéressé par une ressource, il clique dessus et la BDD encore une fois enregistre cette action. Et on recommence encore une fois le même mécanisme jusqu’à ce que l’utilisateur quitte le site, mais on ne l’oublie pas. Et le retour pour les TOP :