Loading Events

« All Events

  • This event has passed.

PhD Defense : Amaury L’Huillier

November 20, 2018 @ 1:45 pm - 3:00 pm

Amaury L’huillier (Kiwi) will defend his thesis on Tuesday, November 20th at 1.45pm in room C005.

His thesis is entitled “Modeling diversity over time to understand user context in recommender systems”.

Composition du jury :

Rapporteurs:
– Max Chevalier : Professeur, Université Paul Sabatier
– Catherine Berrut : Professeur, Université Grenoble Alpes

Examinateurs:

– Miguel Couceiro : Professeur, Université de Lorraine
– Francis Rousseaux : Professeur, Université de Reims Champagne-Ardenne

Directeurs de thèse :
– Anne Boyer : Professeur, Université de Lorraine
– Sylvain Castagnos : Maître de conférences, Université de Lorraine
Modéliser la diversité au cours du temps pour comprendre le contexte de l’utilisateur dans les systèmes de recommandation.
RÉSUMÉ
—————
Les systèmes de recommandation se sont imposés comme étant des outils indispensables face à une quantité de données qui ne cesse chaque jour de croître depuis l’avènement d’Internet. Leur objectif est de proposer aux utilisateurs des items susceptibles de les intéresser sans que ces derniers n’aient besoin d’agir pour les obtenir. Après s’être majoritairement focalisés sur la précision de la prédiction d’intérêt, ces systèmes ont évolué pour prendre en compte d’autres critères dans leur processus de recommandation, tels que les facteurs humains inhérents à la prise de décision, afin d’améliorer la qualité et l’utilité des recommandations. Cependant, la prise en compte de certains facteurs humains tels que la diversité et le contexte demeure critiquable. Alors que le contexte des utilisateurs est inféré sur la base d’informations collectées à l’insu de leur vie privée, la prise en compte de la diversité est quant à elle réduite à une dimension qu’un système se doit de maximiser. Or, certains travaux récents démontrent que la diversité correspond à un besoin évoluant dynamiquement au cours du temps, et dont la proportion à insuffler dans les recommandations est dépendante de la tâche effectuée (i.e du contexte). Partant du postulat inverse selon lequel l’analyse de l’évolution de la diversité au cours du temps permet de définir le contexte de l’utilisateur, nous proposons dans ce manuscrit une nouvelle approche de modélisation contextuelle basée sur la diversité. En effet, nous soutenons qu’une variation de diversité remarquable peut être la conséquence d’un changement de contexte et qu’il faut alors adapter la stratégie de recommandation en conséquence. Nous présentons la première approche de la littérature permettant de modéliser en temps réel l’évolution de la diversité, ainsi qu’une nouvelle famille de contextes dits implicites n’exploitant aucune donnée sensible. La possibilité de remplacer les contextes traditionnels (explicites) par les contextes implicites est confirmée de plusieurs manières. Premièrement, nous démontrons sur deux corpus issus d’applications réelles qu’il existe un fort recouvrement entre les changements de contextes explicites et les changements de contextes implicites. Deuxièmement, une étude utilisateur impliquant de nombreux participants nous permet de démontrer l’existence de liens entre les contextes explicites et les caractéristiques des items consultés dans ces derniers. Fort de ces constats et du potentiel offert par nos modèles, nous présentons également plusieurs approches de recommandation et de prise en compte des besoins des utilisateurs.
Mots-clés: Systèmes de recommandation, diversité, contexte, vie privée
Abstract
————
Recommender Systems (RS) have become essential tools to deal with an endless increasing amount of data available on the Internet. Their goal is to provide items that may interest users before they have to find them by themselves. After being exclusively focused on the precision of users’ interests prediction task, RS had to evolve by taking into account other criteria like human factors involved in the decision-making process while computing recommendations, so as to improve their quality and usefulness of recommendations. Nevertheless, the way some human factors, such as context and diversity needs, are managed remains open to criticism. While context-aware recommendations relies on exploiting data that are collected without any consideration for users’ privacy, diversity has been coming down to a dimension which has to be maximized. However recent studies demonstrate that diversity corresponds to a need which evolves dynamically over time. In addition, the optimal amount of diversity to provide in the recommendations depends on the on-going task of users (i.e their contexts). Thereby, we argue that analyzing the evolution of diversity over time would be a promising way to define a user’s context, under the condition that context is now defined by item attributes. Indeed, we support the idea that a sudden variation of diversity can reflect a change of user’s context which requires to adapt the recommendation strategy. We present in this manuscript the first approach to model the evolution of diversity over time and a new kind of context, called “implicit contexts”, that are respectful of privacy (in opposition to explicit contexts). We confirm the benefits of implicit contexts compared to explicit contexts from several points of view. As a first step, using two large music streaming datasets we demonstrate that explicit and implicit context changes are highly correlated. As a second step, a user study involving many participants allowed us to demonstrate the links between the explicit contexts and the characteristics of the items consulted in the meantime. Based on these observations and the advantages offered by our models, we also present several approaches to provide privacy-preserving context-aware recommendations and to take into account user’s needs.
Keywords: Recommender Systems, diversity, context, privacy

Details

Date:
November 20, 2018
Time:
1:45 pm - 3:00 pm
Event Category:

Venue

C005

Logo du CNRS

Logo d'Inria

Logo Université de Lorraine