Un système de recommandation social et sémantique sensible au contexte

Abstract

Le travail présenté dans ce manuscrit se situe dans le domaine des systèmes de recommandation sensible au contexte (CARS) qui vise à améliorer les systèmes de recommandation traditionnels (SR) en prenant en compte les informations du contexte lors de la prédiction. Cependant, Ces systèmes souffrent de certains défis, tels que le démarrage à froid et la rareté des données. De nouvelles méthodes sont proposées pour surmonter ces problèmes. Nous proposons dans notre travail, trois contributions. La première contribution consiste à pallier les limites de l’approche du découpage sensible au contexte (Context-aware splitting approach (CASA)) qui représente l’une des approches de pré-filtrage les plus efficaces du système de recommandation sensible au contexte. Nous proposons d’ajouter principalement des informations de confiance ainsi sémantique pour améliorer la qualité de prédiction. La deuxième contribution, consiste à proposer une approche hybride intitulée : Approche de post-filtrage sensible au contexte basée sur la confiance, qui utilise des déclarations de confiance comme une information riche, avec la méthode de compensation de contexte qui appartient à l’approche de post-filtrage contextuel. Les résultats des expérimentations révèlent que ces approches améliorent la pertinence des recommandations et surpasse les autres approches non contextuelles de la littérature en terme de précision. Une autre approche que nous proposons : Approche de modélisation contextuelle basée sur la sémantique et la confiance (ST-CAMA), qui combine les informations de confiance et de contexte en utilisant la pondération contextuelle. Aussi, afin de sélectionner uniquement les voisins de confiance et qui ont des intérêts communs à l’item cible pour l’utilisateur actif, nous proposons de construire des clusters se basant sur des similarités sémantiques enrichi sémantiquement via les données ouvertes liées (LOD).