Ajout de tags pertinents

Apr`es le calcul du poids des tags associ´es aux ressources les plus pertinentes, nous enrichissons dans cette ´etape le profil utilisateur (d´ecrit comme tagU tilisateur∆t[] dans l’algorithme 7) avec les tags qui refl`etent plus les int´erˆets de l’utilisateur. Ainsi, dans chaque p´eriode de temps ∆t, nous enrichissons les profils des utilisateurs qui ont annot´e des ressources pertinentes (dont la temp´erature a augment´e) avec les tags respectant la contrainte de seuil. En fait plus le tag a un poids important, plus nous consid´erons qu’il refl`ete le contenu de la ressource et donc il refl`ete mieux les int´erˆets de l’utilisateur. Ainsi, nous choisissons du r´esultat de l’´etape pr´ec´edente, les tags qui sont les plus int´eressants pour l’utilisateur. Un tag est consid´er´e comme un int´erˆet potentiel s’il a un poids sup´erieur `a un certain seuil. Le seuil sera fix´e dans l’exp´erimentation. L’algorithme de cette ´etape est d´etaill´e dans l’algorithme 7.

Le processus d’enrichissement prend en consid´eration le comportement d’annotation des mˆemes ressources par les utilisateurs. Cette technique analyse la connaissance col- lective pour fournir des int´erˆets potentiels pour chaque utilisateur.

L’enrichissement n’est pas une accumulation des int´erˆets trouv´es `a partir des enrichis- sements pr´ec´edents dans les p´eriodes pr´ec´edentes de temps. En fait, le profil utilisateur

Entr´ee : R, T, U, Poids(T, rm)[], tagU tilisateur∆t[], seuil ; Sortie : tagU tilisateurEnrichi∆t[] ; // Profil enrichi dans une ∆t

1: D´ebut

2: tagU tilisateurEnrichi∆t[]=tagU tilisateur∆t[] ; //Initialisation

3: Pour chaque ∆t faire

4: Pour chaque rm∈ R faire

5: Pour chaque un∈ U qui a annot´e rm faire

6: Pour chaque Poids(T, rm)[] faire

7: Si Poids(th, rm) ≥ seuil alors

8: tagU tilisateurEnrichi∆t[]=tagU tilisateurEnrichi∆t[]∪ th;

9: Fin Si 10: Fin Pour 11: Fin Pour 12: Fin Pour 13: Fin Pour 14: Fin

Algorithme 7 : Algorithme d’enrichissement du profil utilisateur

est d´efini pour chaque ∆t. Pour une p´eriode ∆t, le profil utilisateur individuel existe ou peut ˆetre calcul´e selon l’approche propos´ee dans le chapitre3. Nous ajoutons pour la p´eriode ∆t l’enrichissement du profil calcul´e qui n’est valable que pour une p´eriode de temps.

Cet aspect nous permet d’analyser mieux les tags les plus int´eressants selon une p´eriode sp´ecifique et pas selon l’´evolution enti`ere des int´erˆets de l’utilisateur. En fait, les int´erˆets de l’utilisateur peuvent se d´evelopper et devenir ”p´erim´es” et donc sans apport pour les analyser. Ainsi, notre approche se concentre seulement sur les tags dans une p´eriode sp´ecifique de temps qui d´ecrivent au mieux les int´erˆets actuels de l’utilisateur. Ce calcul est refait `a chaque p´eriode de temps pour refl´eter l’´evolution des int´erˆets en ´evitant la surcharge du profil utilisateur dˆu `a un enrichissement cumulatif.

4.2.3 Recommandation dynamique

Afin de voir la pertinence de notre r´esultat d’enrichissement dans un but d’adap- tation, nous allons l’utiliser pour une recommandation. Il est `a noter que nous ne proposons pas une approche de recommandation `a part enti`ere dans notre travail. En fait, l’enrichissement peut servir pour adapter des informations selon une technique de recommandation ou de personnalisation.

La recommandation consiste donc `a recommander des items (des tags) `a l’utilisateur. Puisque l’utilisateur ne connaˆıt pas les r´esultats d’enrichissement `a un ∆t, la recom- mandation consid`ere le r´esultat du processus d’enrichissement comme l’ensemble de

tags pertinents (appropri´es) `a recommander `a l’utilisateur plus tard. Cette recomman- dation est classifi´ee comme hybride (issue de l’analyse de l’environnement social et du contenu des ressources annot´ees). Ainsi, pour chaque profil `a chaque p´eriode ∆t, nous fournissons une recommandation temporelle (dynamique) `a partir du r´esultat d’enri- chissement `a une p´eriode ant´erieure (fix´ee lors des exp´erimentations).

4.3

M´ethodologie de validation

´

Etant donn´e une base de donn´ees, et afin de valider notre approche, nous consid´erons des utilisateurs ayant un profil connu (ont d´ej`a eu des activit´es dans le r´eseau social). Pour valider les r´esultats obtenus du processus d’enrichissement, nous comparons si les tags enrichis (trouv´es par notre approche) pour un utilisateur existent dans le profil de ses personnes proches. En fait, les personnes proches refl`etent les int´erˆets de l’utilisateur [Tchuente et al., 2013]. Dans notre validation, nous consid´erons les personnes proches comme le r´eseau ´egocentrique. Ce dernier est calcul´e `a chaque ∆t. Un tag (enrichi dans un profil utilisateur) est consid´er´e comme pr´ecis et pertinent s’il existe dans le profil des personnes proches. La m´ethodologie de validation est pr´esent´e dans la figure 4.4.

Figure 4.4: M´ethodologie de validation de l’approche d’enrichissement

Compte tenu d’un utilisateur cible u ∈ U , notre approche construit un ensemble Iu={iu1, . . . , iuk} d’int´erˆets potentiellement pertinents. Pour chaque iuk ∈ Iu , nous analysons l’existence de l’int´erˆet iuk dans le profil de son r´eseau ´egocentrique Iego (o`u Iego={iego1,. . . , iegoj} et j est le nombre d’utilisateurs dans le r´eseau ´egocentrique

de iuk). Les int´erˆets corrects sont consid´er´es comme l’ensemble de tous les int´erˆets Cu ⊂ Iu , o`u Cu= {cu1, . . . , cuy} et y est le nombre d’int´erˆets corrects.

Pour la validation, nous proc´edons pour chaque utilisateur aux calculs de pr´ecision et de rappel pour une p´eriode ∆t et aussi de la pr´ecision moyenne et de rappel moyen pour tous les ∆t (ces calculs sont pr´esent´es dans la section 4.4.1). Les calculs de pr´ecision et de rappel, sont faits pour les profils non vides (utilisateurs ayant eu une activit´e sur la p´eriode ∆t).

4.4

Exp´erimentations r´ealis´ees

Dans cette section, nous ´evaluons d’abord l’approche d’enrichissement dans la section

4.4.1. Ensuite, nous ´evaluons les recommandations visant `a v´erifier l’efficacit´e de notre approche d’enrichissement dans la section4.4.2.

Nous utilisons le mˆeme dataset Delicious que le chapitre pr´ec´edent. Nous analysons de plus l’information du comportement d’annotation selon le temps, donn´ee existante dans cette base. Nous montrons un exemple de comportement d’annotation temporel dans le tableau 4.1.

Table 4.1: Un exemple de donn´ees temporelles dans la base Delicious userID bookmarkID tagID day month year hour minute second

8 1 1 8 11 2010 23 29 22

La valeur de la p´eriode de temps ∆t, est fix´ee `a 1 jour. Ce choix est dˆu `a l’activit´e dense dans les r´eseaux sociaux et notre objectif de capturer l’´evolution constante des int´erˆets de l’utilisateur. Selon cette valeur de ∆t, nous obtenons 1645 p´eriodes diff´erentes (∆t).