tion Problem
Afin de r´epondre `a une demande de crowdsourcing, les op´erations de d´ecouverte d’´equipes tout en pr´eservant la vie priv´ee peuvent donner beau- coup de solutions qui r´epondent aux conditions de la vie priv´ee. Dans ce cas, nous int´egrons les pr´ef´erences du demandeur (Celui qui a lanc´e l’ap- pel au crowdsourcing) pour choisir la solution la plus adapt´ee fond´ee sur le crit`ere de la vie priv´ee et les pr´ef´erences. Soit CS = hS, D, V i un syst`eme de contrainte et P = hdef, coni un probl`eme `a r´esoudre, o`u V = con =
{TeamPropagationThreshold (tpt) : le seuil de propagation au sein d’une ´equipe, TeamSnPropagation (tsp) : Le seuil de propagation en dehors de
l’´equipe, ExpertLevel (el) : niveau d’expertise, Competency (com) : comp´etence},
D = {{tpt1, tpt2, tpt3, tpt4}, {tsp1, tsp2, tsp3, tsp4}, {el1, el2, el3, el4}, {com1, com2, com3}}, Sp = h[0, 1] , max, min, 0, 1i, C = hc1, c2, c3, c4}. Pour plus de simplicit´e, les
variables et leurs domaines ont ´et´e ´ecrits dans le mˆeme ordre. Les valeurs ci-dessus repr´esente des domaines variables provenant d’une discr´etisation tel
que TPT ∈ [0, 1], TSP ∈ [0, 1], EL ∈ [0, 1], COMPETENCE ∈ (cardiologue, pneumologue, carcinologue, Endocrinologue). Consid´erons les contraintes suivantes :
c1 = hdefc1, {tpt, tsp}i, c2 = hdefc2, {tsp, el}i, c3 = hdefc3, {tpt, el}i, c4 = hdefc4, {com}i,
o`u les valeurs des pr´ef´erences sont dans le tableau 1 et 2 .
t defc1 defc2 defc3
h[0.00; 0.25[, [0.00; 0.25[i 0.25 0.00 0.00 h[0.00; 0.25[, [0.25; 0.50[i 0.50 0.00 0.00 h[0.00; 0.25[, [0.50; 0.75[i 0.75 0.00 0.75 h[0.00; 0.25[, [0.75; 1.00]i 1.00 0.75 0.00 h[0.25; 0.50[, [0.00; 0.25[i 0.50 0.00 0.00 h[0.25; 0.50[, [0.25; 0.50[i 0.50 0.00 0.50 h[0.25; 0.50[, [0.50; 0.75[i 0.75 0.25 0.00 h[0.25; 0.50[, [0.75; 1.00]i 0.00 0.50 0.00 h[0.50; 0.75[, [0.00; 0.25[i 0.75 0.00 0.75 h[0.50; 0.75[, [0.25; 0.50[i 0.75 0.25 0.00 h[0.50; 0.75[, [0.50; 0.75[i 0.00 0.75 0.00 h[0.75; 1.00], [0.00; 0.25[i 0.00 0.50 0.00 h[0.75; 1.00], [0.25; 0.50[i 1.00 0.75 0.00 h[0.75; 1.00], [0.50; 0.75[i 0.00 0.50 0.00 h[0.75; 1.00], [0.75; 1.00]i 0.00 0.50 0.00
Table 6.1 – D´efinition des contrainte ”‘tpt”’, ”‘tsp”’ et ”‘el”’
t defc4
hCardiologuei 1.00 hpneumologuei 0.50 hcarcinologuei 0.75 hEndocrinologuei 0.25
Table 6.2 – D´efinition des contraintes de comp´etence
Notez que celui qui a lanc´e l’appel peut assigner n’importe quelle valeur dans l’ensemble de la c-semiring `a un tuple. Son choix de valeur repr´esente
l’opportunit´e de ce tuple particulier. Consid´erons l’entr´ee defc1(h[0; 0.25[, [0.5; 0.75[= 0.69i). Le tuple [0; 0.25[, [0.5; 0.75[ est un tuple de la contrainte c1 qui repr´esente le
cas o`u TPT est entre 0 et 0.25 tandis que TSP est entre 0.5 et 0.75. La r´esolution est repr´esent´ee comme suit :
– La premi`ere ´etape est de combiner les deux contraintes C1 et C2. C1´= C1⊗ C2
– La seconde ´etape est de combiner la contrainte C1´avec C3. C2´= C1´⊗C3 – La troisi`eme ´etape est de combiner la contrainte C2´avec C4. C3´ =
C2´⊗ C4
La premi`ere et la seconde ´etape de la r´esolution sont pr´esent´ees dans le tableau 3. L’ensemble des solutions est class´e par les pr´ef´erences (voir le tableau 4). La solution de rang le plus ´elev´e est choisi en premier.
t defc2´ h[0.00; 0.25[, [0.50; 0.75[, [0.50; 0.75[, i 0.75 h[0.00; 0.25[, [0.75; 1.00], [0.50; 0.75[, i 0.50 h[0.00; 0.25[, [0.25; 0.50[, [0.50; 0.75[, i 0.25 h[0.25; 0.50[, [0.25; 0.50[, [0.25; 0.50[, i 0.25 hAlltheresti 0.00
t defc3´ h[0.00; 0.25[, [0.50; 0.75[, [0.50; 0.75[, Cardiologuei 0.75 h[0.00; 0.25[, [0.50; 0.75[, [0.50; 0.75[, carcinologuei 0.75 h[0.00; 0.25[, [0.75; 1.00], [0.50; 0.75[, Cardiologuei 0.50 h[0.00; 0.25[, [0.50; 0.75[, [0.50; 0.75[, pneumologuei 0.50 h[0.00; 0.25[, [0.75; 1.00], [0.50; 0.75[, pneumologuei 0.50 h[0.00; 0.25[, [0.75; 1.00], [0.50; 0.75[, carcinologiei 0.50 h[0.00; 0.25[, [0.25; 0.50[, [0.50; 0.75[, Cardiologuei 0.25 h[0.25; 0.50[, [0.25; 0.50[, [0.25; 0.50[, Cardiologuei 0.25 h[0.00; 0.25[, [0.25; 0.50[, [0.50; 0.75[, pneumologuei 0.25 h[0.25; 0.50[, [0.25; 0.50[, [0.25; 0.50[, pneumologuei 0.25 h[0.00; 0.25[, [0.25; 0.50[, [0.50; 0.75[, carcinologuei 0.25 h[0.25; 0.50[, [0.25; 0.50[, [0.25; 0.50[, carcinologuei 0.25 h[0.00; 0.25[, [0.50; 0.75[, [0.50; 0.75[, Endocrinologuei 0.25 h[0.00; 0.25[, [0.75; 1.00], [0.50; 0.75[, Endocrinologuei 0.25 h[0.00; 0.25[, [0.25; 0.50[, [0.50; 0.75[, Endocrinologuei 0.25 h[0.25; 0.50[, [0.25; 0.50[, [0.25; 0.50[, Endocrinologuei 0.25 hAlltheresti 0.00
Table 6.4 – Contrainte ordonn´ee avec 4 pr´ef´erences
6.4
Exp´erimentations
Dans ces exp´eriences, on `a choisie quelques solutions retourn´ees par l’al- gorithme PMTD, nous d´emontrons le fait de d´ecouvrir la meilleure solution en se basant sur les pr´ef´erences du demandeur.
On a calcul´e le TeamPropagationThreshold (le seuil de propagation fix´e entre les membres du crowd au sein de la mˆeme ´equipe), TeamSnPropagation (le seuil de propagation fix´e entre les membres du crowd dans une ´equipe et le reste des membres dans les autres ´equipes) , ExpertLevel et Competency
Figure 6.1 – SCSP Ranking l’ensemble des pr´ef´erences d´efinies par le demandeur.
par exemple, pour TeamPropagationThreshold pour l’´equipe composant la solution num´ero 2 est de 0.24 et respectivement 0.23 pour la solution num´ero 1, le TeamSnPropagation est de 0.57 et de 0.76 respectivement, le expertLevel est de 0.74 et de 0.51 respectivement et finalement le competency est Cardiologiste pour la solution 2 et 1.
En se basant sur les pr´ef´erences du demandeur, on montre dans la figure 6.1 un exemple de classement de SCSP est on conclu que la solution num´ero 2 est la meilleure parce qu’elle satisfait la majorit´e des pr´ef´erences du de- mandeur.
On note qu’on n’a pas enregistr´e de fuite de donn´ee dans la meilleure solution et toutes les propagations en dehors des ´equipes sont inf´erieures au seuil.
Ces exp´eriences confirme d’avantage que notre mod`ele est capable de choisir la meilleure solution lors du processus de d´ecouverte de solution de groupe- ment en utilisant l’approche SCSP de classement bas´ee sur les pr´ef´erences du demandeur.
6.5
Discussion
Dans cette section nous avons montr´e la m´ethode de classement des so- lutions retourn´ees par l’algorithme PMTD afin de les ordonner pour le de- mandeur de la requˆete.
Cette m´ethode se repose sur le mod`ele SCSP qui permet de combiner les pr´ef´erences et d’ordonner les solutions en fonction des valeurs assign´ees par le demandeur.
L’avantage des SCSP c’est qu’on peut proposer plusieurs compositions d’´equipes possible class´ees en fonction des pr´ef´erences et c’est au demandeur de choisir la quelle des solutions `a valider.
Cette m´ethode permet une souplesse de choix au demandeur, sachant que, ce n’est pas toujours ´evident de trouver des solutions aux besoins demand´es.
6.6
Conclusion
Dans cette section nous avons d´etaill´e la m´ethode SCSP en donnant toutes les d´efinitions utiles au bon d´eroulement du classement.
Nous avons donn´e un exemple d’application pour les SCSP sur notre probl`eme de d´ecouverte d’´equipes comp´etitives et collaboratives.
Nous avons montr´e la faisabilit´e de classer les solutions g´en´er´ees par l’al- gorithme PMTD afin de pr´esenter la meilleure au demandeur.
Chapitre 7
Conclusion et Perspective
future
7.1
Conclusion
Le probl`eme trait´e dans cette th`ese est la constitution d’´equipes comp´etitives et collaboratives tout en pr´eservant la vie priv´ee dans un contexte de crowd- sourcing. Les donn´ees priv´ees utilis´ees sont uniquement les donn´ees partag´ees avec l’entourage dans le r´eseau social.
Le challenge ´etait de d´ecouvrir les relations cach´ees dans le r´eseau social, puis constituer des ´equipes sans fuites de donn´ees permettant de r´esoudre l’appel du demandeur.
Dans cette dissertation, nous avons propos´e une approche pour la d´ecouverte des ´equipes comp´etitives et collaboratives dans le domaine du crowdsourcing. En particulier, nos principaux contributions `a la recherche sont les suivantes : – Mod`ele de propagation de donn´ees : Ce mod`ele permet de d´evoiler les relations cach´ees dans le r´eseau social. En se basant sur les relations directes existantes, il permet de parcourir le r´eseau social pour mettre `a jour les relations cach´ees (indirecte) et de prendre en compte les pro- pagations maximales entre les utilisateurs.
mod`ele fournit une matrice de propagation maximale entre les utilisa- teurs.
– Mod`ele de classification glouton : Ce mod`ele permet la classifica- tion des utilisateurs du crowdsourcing dans des ´equipes sans fuite de donn´ees. Pour ce faire, il doit regrouper les utilisateurs en fonction du risque de propagation de leurs donn´ees priv´ees dans le r´eseau social et en se basant sur un seuil limite de propagation autoris´ee. Ce mod`ele permet de d´ecouvrir toutes les solutions de groupement possibles sans fuites de donn´ees des travailleurs dans le crowdsourcing.
– Mod`ele de classification avec les heuristiques : Ce mod`ele per- met de chercher dans l’espace des diff´erentes solutions possibles, les meilleures solutions de groupement des travailleurs dans le crowdsour- cing.
Un algorithme `a base de m´eta heuristique `a ´et´e propos´e pour r´esoudre le probl`eme NP-Complet identifi´e pour notre cas de recherche.
Ce mod`ele permet de retourner les meilleures solutions de classification possibles sans fuites de donn´ees.
– Mod`ele de classement de solutions : Ce mod`ele permet de classer les solutions g´en´er´ees par le mod`ele de classification. Il se base sur les Soft Constraint Satisfaction Problem pour combiner les pr´ef´erences du demandeur de la requˆete.
Ce mod`ele permet de relaxer les pr´ef´erences du demandeur et d’ordon- ner les solutions g´en´er´ees en fonction de leurs satisfaction des pr´ef´erences. Ainsi, il permet au demandeur de choisir la solution la plus ad´equate pour r´esoudre sa requˆete.