Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

les systèmes de recommandations appliqués dans les réseaux s

No description
by

bouchra AMZIRAN

on 7 January 2015

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of les systèmes de recommandations appliqués dans les réseaux s

Introduction
Plan
Introduction
Twitter
Twitter n’offre actuellement que des services de recherche très rudimentaires pour aider les gens à trouver de nouveaux utilisateurs à suivre. Et ceci représente une opportunité significative et une source puissante d’information qui peut être utilisé comme base de données pour les systèmes de recommandation, car il permet à un utilisateur de choisir ses prescripteurs (abonnement) pour obtenir des tweets qui l’intéressent.
Le système twittomender fourni des informations aux utilisateurs en se basant sur les deux basiques modes d’opérations comme ce qui suit :
Quelques exemples des systèmes de recommandation
Un système de recommandation selon (Francesco et al, 2011) est un type spécifique du système de filtrage d’information qui présente des éléments d’information qui tente à prédire "la qualification" ou "la préférence" qu’un utilisateur peut donner à un élément.



La motivation principale d'un système de recommandation est d'aider les gens à surmonter la surcharge d'information : il y a un grand nombre d’éléments d'information et on n'a pas le temps d'examiner chacun pour effectuer un bon choix. A partir des besoins pratiques, les chercheurs ont développé des algorithmes et systèmes de recommandation depuis des années 1990.

Les travaux dans le domaine de recommandation se focalisent sur la conception et le développement des algorithmes. Il existe plusieurs types d'algorithmes de recommandation. Les deux grandes approches les plus utilisées sont le filtrage collaboratif et le filtrage de contenu (Nageswara Rao et al 2008).
Les systèmes de recommandations
les systèmes de recommandation appliqués dans les réseaux sociaux
Présenté par : Bouchra AMZIRAN
Un réseau social est "un ensemble de noeuds (par exemple : des personnes, des organisations) reliés par un ensemble de relations sociales (par exemple : l'amitié, le transfert des fonds, chevauchement d'adhésion) d'un type spécifié" (Laumann et al., 1978: 458). Ainsi, en s'appuyant sur cette définition, les réseaux peuvent être décrits par les principaux composants suivants: Les acteurs (parfois appelés nœuds, egos, unités), les relations entre eux (parfois appelés cravates, des liens et des arcs), et les propriétés de ces relations ainsi que les propriétés structurelles globales du réseau (Tichy & Tushman, 1979; Krackhardt & Hanson, 1993; Monge et Contractor, 2001).
Les réseaux sociaux
Les systèmes de recommandation basés sur les réseaux sociaux
les techniques de recommandation utilisant des données des réseaux sociaux :

Techniques innovantes dédiées exclusivement aux réseaux sociaux.
Techniques traditionnelles (filtrage de contenus, filtrage collaboratif ou système hybride) avec des améliorations et des extensions qui permettent d'intégrer l'utilisation des données sociales, qui sont divisées en trois catégories majeurs : les recommandations basées sur la confiance entre les individus, l'exploitation des données textuelles dans le web social, et l'exploitation du profil déclaratif. (Duc Kinh et al, Telecom bretagne, 2011)



Les systèmes de recommandation
Les réseaux sociaux
les systèmes de recommandation basés sur les réseaux sociaux
Quelques exemples d'applications
Conclusion
La croissance exponentielle du Web social présente des avantages et des inconvénients pour les recherches dans les systèmes de recommandation. Les utilisateurs du Web ne sont plus des consommateurs d'information mais ils sont devenus des fournisseurs actifs qui génèrent de gros volumes de données en ligne.

Les réseaux sociaux encouragent les interactions entre les participants du Web et donc créent des nouvelles sources d'information pour la recommandation, qui se divise en source explicite (les utilisateurs déclarent ses profils sous forme des centres d'intérêts) ou des sources implicites (ils expriment implicitement leurs préférences via leurs activités et leurs interactions avec les autres dans le réseau.

L'avantage majeur de ces informations c'est qu'elles représentent une forte source pour améliorer les techniques de recommandation existantes et même de développer des nouvelles stratégies, mais l'inconvénient associé c'est la difficulté de filtrage des données utiles pour la recommandation.

Les systèmes de recommandation jouent un rôle important dans le succès du Web social : ils répondent au défi de l’excès d’information en permettant le filtrage de trop plein d’informations (Dang Nguyen et Pénard, [2004]).

Les relations de confiance sont l’objet de plusieurs études pour faire de la recommandation à base de confiance [Massa and Avesani2004,Golbeck and Hendler2006]. Plusieurs systèmes basés sur la confiance ont déjà obtenu beaucoup de succès dans le monde de l’internet : FilmTrust, TrustedOpion sont des exemples typiques.

La confiance représente la similarité entre individus au niveau des préférences, donc elle constitue une base fondamentale du filtrage collaboratif.

Dans les réseaux sociaux, la relation d'amitié permet d'exploiter facilement la confiance entre les individus et par la suite permet de construire des systèmes qui donnent automatiquement des recommandations des amis.

Les approches pour construire un algorithme de recommandation basé sur la confiance sont très diverses. Néanmoins, tous les algorithmes sont composés de deux parties principales : construire un modèle de confiance, construire un modèle de calcul et prévoir le niveau de l’intérêt d’un individu sur un objet.
Les systèmes de recommandation basés sur les réseaux sociaux
Recommandation basée sur la confiance
Les systèmes de recommandation basés sur les réseaux sociaux
Exploitation de données textuelles dans le web social
Le web social contient une grande quantité de données, sous forme de textes, générée par les utilisateurs, qui sont les statuts, les commentaires, les tags…

Dans un réseau social, les tags sont les plus utilisés pour la recommandation.

Selon ( Lui et al ) Un tag (ou étiquette) est un mot-clé ou terme associé ou assigné à l’information (par exemple une image, un article, ou un clip vidéo). Les tags sont habituellement choisis de façon informelle et personnelle par le créateur ou le consommateur de l’objet. De nombreux réseaux sociaux aujourd’hui permettent aux utilisateurs d’ajouter des tags aux objets pour qu’ils puissent les retrouver facilement plus tard. La motivation d’utiliser les tags c’est de trouver des préférences des utilisateurs.

L’architecture de la construction de profil sémantique d’intérêt est divisée en quatre sections selon ( Martin et al ):

Compte de corrélation : identifier les comptes détenus par l’individu à travers les réseaux sociaux;
Modèle de collecte de données : récolte l’historique complet des tags au sein de chaque réseau;
Filtrage de tag : les tags crées librement par les utilisateurs contiennent souvent des fautes d’orthographe, les synonymes, et pour résoudre ce problème, les auteurs ont développé cette architecture de filtrage de tag;
Construction de profil : utilise les tags filtrés d’un utilisateur et génère sémantiquement son profil d’intérêt.


Les systèmes de recommandation basés sur les réseaux sociaux
Exploitation de données textuelles dans le web social
Une autre approche similaire plus avancée de (Garmagnola et al) : modèle de connaissance où le profil d’intérêt d’utilisateur est représenté par une ontologie, l’objectif c’est d’utiliser des annotations sociales (commentaires et tags) comme un moyen de déduire des connaissances sur l’utilisateur.

D’autres systèmes de recommandation (de Bank et Frank) utilisent des évaluations des consommateurs sur les produits sous forme de texte comme source de données (reviews), il analyse des textes pour découvrir le niveau de satisfaction d’un consommateur sur une caractéristique du produit, cette analyse passe par 3 étapes :

Pré-traitement : analyse syntaxique et linguistique pour détecter et corriger des fautes, des redondances…
Détection de thème : détecter l’aspect du produit mentionné dans le review.
Analyse de sentiment : obtenir le niveau de satisfaction du consommateur sur le produit pour qui 'il peut être recommandé aux autres consommateurs.

En conclusion, ses sources de données sont toujours disponibles sur les réseaux sociaux, et ne rencontrent pas le problème de démarrage à froid, la limitation principale est la complexité de ces approches qui fait appel aux technologies plus avancées (analyse textuelle, linguistique, modèle de connaissances, ontologie…)



Les systèmes de recommandation basés sur les réseaux sociaux
Exploitation de profil déclaratif
Tous les sites de partage sur internet permettent aux utilisateurs, lors de leurs inscriptions, de déclarer un profil, qui est constitué de données démographique et de centre d’intérêts. La première idée est de prendre quelques éléments de ce profil, particulièrement des centres d’intérêt, pour remplir le profil de préférences d’utilisateurs dans un système de recommandation, c’est une approche de contenu, aussi on peut comparer les profils déclaratifs entre les individus pour en déduire la similarité entre eux, et cela conduit vers l’approche collaborative ou celle basé sur la confiance.

En conclusion, les recommandations basés sur les profils déclaratifs ne donnent pas une grande précision, mais cela peut répondre au problème de démarrage à froid, pour un utilisateur abonné à un réseau social, ces données sont toujours disponibles et peuvent être utilisées pour augmenter la précision des recommandations, en combinant avec les techniques traditionnelles.




Les recherches des utilisateurs : dans ce mode, l’utilisateur fourni les termes de requêtes pour recevoir une liste classée des utilisateurs pertinents de twitter. chaque résultat est un utilisateur de twitter qui est indexé par twittomender, à côté des informations pertinentes telles que le nom d’utilisateur, description, termes populaires de leurs suivis, et aussi les plus récents suiveurs. Le chercheur peut cliquer sur le nom de l’utilisateur pour voir leur historique sur twitter ou bien il peut choisir de suivre l’utilisateur directement (s’abonner).
Recommandation des utilisateurs : dans ce mode, le profil de l’utilisateur du twitter agit comme une forme de requête pour générer les recommandations proactives d’utilisateurs à suivre. la boite de requête montre les termes tiré à partir du profil de l’utilisateur, et la liste des résultats comme un groupe des utilisateurs qui sont jugés pertinents pour l’utilisateur ciblé.
Facebook
Selon l’article du Julien L publié sur le site éditorial français Numerama, Facebook offre un outil de recherche baptisé Graph social qui permet à des utilisateurs de faire des recherches plus précises dans le réseau social en se basant sur les connexions entre les individus et sur leurs centres d’intérêts, Cette recherche constitue le troisième pilier du site, selon Mark Zuckerberg, apès le flux d'actualité (newsfeed) et le profil (timeline).
Le graph social prend quatre critères en compte : les personnes, les photos, les centres d'intérêt et les lieux. Ainsi, il est possible de passer une requête comme "Amateurs de cyclisme de ma ville d'origine" ou bien "photos que j'aime" ou encore "musique que mes amis aiment". Autrement dit, le Graph Social répond à des questions en se basant sur les connexions dans Facebook.

Quelques exemples des systèmes de recommandation
Conclusion
Les approches de recommandation basées sur les données disponibles sur les réseaux sociaux.

Des exemples d'application des systèmes de recommandation dans les réseaux.

La relation mutuelle entre les réseaux sociaux et les systèmes de recommandation explique la tendance vers la recommandation sociale dans les recherches dans le domaine des recommandations.


GetGlue
c'est un réseau social et un service de recommandation pour des biens culturels (livre, album de musique, ..), il intègre un système de recommandation basé sur le contenu. Dès l'inscription l'utilisateur est invité à remplir les films, les livres, les jeux vidéo, les albums qu'il apprécie, et GetGlue lui proposa des films, albums ou livres en rapport avec ses goûts, et lui permettra de choisir des amis à suivre, pour qu'il sera capable de recevoir des notifications indicatives de ce que ses amis sont entrain de découvrir, lire, écouter, ..
Les utilisateurs de GetGlue génèrent des recommandations aux autres et à la fois ils reçoivent les recommandations des autres, autrement dit : les utilisateurs eux-mêmes sont des sources de recommandations, et ils sont capables de choisir leurs propres sources pour leurs recommandations.

Quelques exemples des systèmes de recommandation

Conception et développement de fonctionnalité innovantes liées à facebook pour un système de recommandation (rapport bibliographique) Duc Linh Tran, Telecome bretagne

Recommending Twitter users to follow using content and collaborative feltering approaches ( article publié sur science foution ireland ) John Hannon, Mike Bennett Barry Smyth

http://www.numerama.com/ ( site éditoriel d'actualité informatique et numérique )

Francesco Ricci and Lior Rokach and Bracha Shapira, Introduction to Recommender Systems Handbook, Recommender Systems Handbook, Springer, 2011, pp. 1-35


Thierry PENARD, Raphael SUIRE ( Economie de l'internet : une économie d'interactions social (Revue français d'économie) )

PhD Undertanding intra-organizational relations through social network analysis, Christian Waldtrom, 2003








Références
Facebook
Selon l’article du Julien L publié sur le site éditorial français Numerama Facebook offre un outil de recherche baptisé Graph social qui permet à des utilisateurs de faire des recherches plus précises dans le réseau social en se basant sur les connexions entre les individus et sur leurs centres d’intérêts, Cette recherche constitue le troisième pilier du site, selon Mark Zuckerberg, avec le flux d'actualité (newsfeed) et le profil (timeline).
Le graph social prend quatre critères en compte : les personnes, les photos, les centres d'intérêt et les lieux. Ainsi, il est possible de passer une requête comme "Amateurs de cyclisme de ma ville d'origine" ou bien "photos que j'aime" ou encore "musique que mes amis aiment". Autrement dit, le Graph Social répond à des questions en puisant sur les connexions dans Facebook.

Quelques exemples des systèmes de recommandations
Références
Full transcript