Accueil > Manifestations > Thèses et HDR > Thèses > Rajani Chulyadyo

Rajani Chulyadyo

Directeur de thèse

Philippe Leray

Résumé

De nos jours, il est très fréquent de représenter un système en termes de relations entre objets. Parmi les applications les plus courantes de telles données relationnelles, se situent les systèmes de recommandation (RS), qui traitent généralement des relations entre utilisateurs et items à recommander. Les modèles relationnels probabilistes (PRM) sont un bon choix pour la modélisation des dépendances probabilistes entre ces objets. Une tendance croissante dans les systèmes de recommandation est de rajouter une dimension spatiale à ces objets, que ce soient les utilisateurs, ou les items. Cette thèse porte sur l’intersection peu explorée de trois domaines connexes - modèles probabilistes relationnels (et comment apprendre les dépendances probabilistes entre attributs d’une base de données relationnelles), les données spatiales et les systèmes de recommandation. La première contribution de cette thèse porte sur le chevauchement des PRM et des systèmes de recommandation. Nous avons proposé un modèle de recommandation à base de PRM capable de faire des recommandations à partir des requêtes des utilisateurs, mais sans profils d’utilisateurs, traitant ainsi le problème du démarrage à froid. Notre deuxième contribution aborde le problème de l’intégration de l’information spatiale dans un PRM.

Mots clés :

Apprentissage Relationnel, Modèles Relationnels Probabilistes, Systèmes de Recommandation, Donnés Spatiales, Préférences des utilisateurs.

Abstract :

Nowadays it is very common to represent a system in terms of relationships between objects. One of the common applications of such relational data is Recommender System (RS), which usually deals with the relationships between users and items. Probabilistic Relational Models (PRMs) can be a good choice for modeling probabilistic dependencies between such objects. A growing trend in recommender systems is to add spatial dimensions to these objects, and make recommendations considering the location of users and/or items. This thesis deals with the (not much explored) intersection of three related fields - Probabilistic Relational Models (a method to learn probabilistic models from relational data), spatial data (often used in relational settings), and recommender systems (which deal with relational data). The first contribution of this thesis deals with the overlapping of PRM and recommender systems. We have proposed a PRM-based personalized recommender system that is capable of making recommendations from user queries in cold-start systems without user profiles. Our second contribution addresses the problem of integrating spatial information into a PRM.

Keywords :

Relational Learning, Probabilistic Relational Models, Recommender Systems, Spatial data, User Preferences.

Composition du jury :

  • Christophe GONZALES, Professeur des universités, Université Pierre-et-Marie-Curie (Paris VI), Rapporteur
  • Nicolas LACHICHE, Maître de conférences, Université de Strasbourg
  • Colin DE LA HIGUERA, Professeur, Université de Nantes, Examinateur
  • Armelle BRUN, Maître de conférences, Université de Lorraine, Examinatrice
  • Cédric HOUSSIN, Directeur, DataForPeople, Membre invité
  • Philippe LERAY, Professeur des universités, Université de Nantes, Directeur de thèse

Dernière modification : mercredi 12 octobre 2016