Le coefficient de recommandation

Le coefficient de recommandation est un coefficient qui permet d’évaluer les profils dynamiques. Il consiste à comparer les occurrences de chaque profil dynamique associé à un utilisateur donné à la moyenne des occurrences de ce même profil dynamique associé aux utilisateurs de la communauté. L’objectif, c’est de recommander les profils dyna-miques les plus fréquents. Cela sous-entend qu’un travail préliminaire est nécessaire : il s’agit d’une part de la classification des profils dynamiques (l’algèbre de Galois nous aide à réaliser cette classification), et d’autre part le calcul des moyennes des occurrences de chaque profil dynamique. Le tableau 5.16 présente les occurrences de profils dynamiques et le calcul de leur moyenne.

Le calcul des coefficients de recommandation se fait par le rapport entre les

oc-U tilisateurs U₁ U₂ U₃ U₄ U₅ U₆ M oyenne Sémantique 1 08 07 06 06 02 01 5,000

Sémantique 2 06 10 07 08 13 06 8,500

Sémantique 3 08 09 11 07 05 10 8,333

Sémantique 4 06 04 07 09 02 09 6,167 Table 5.16 – Occurrences des profils dynamiques

currences du profil dynamique (sémantique) de chaque utilisateur et la moyenne des occurrences du profil dynamique du groupe auquel appartient chaque utilisateur. Si le coefficient d’une occurrence du profil dynamique est supérieur ou égal à 1, cette séman-tique peut être recommandée à l’utilisateur. Dans le cas contraire, elle ne pourra donc pas être recommandée à l’utilisateur. Cette méthode nous permet de faire des recom-mandations basées sur les préférences réelles des utilisateurs et non sur les choix des utilisateurs. Il ne suffit donc pas qu’un utilisateur choisisse une sémantique pour se voir recommander cette sémantique. La recommandation dépend de l’instant t où l’utilisa-teur recherche une image avec une sémantique. L’utilisal’utilisa-teur qui se voit recommander

une sémantique à un instant t₁ peut ne pas se voir recommander la même sémantique

ne se voir pas recommander une sémantique à un instant t₁ (après avoir utilisé cette sémantique pour rechercher une image) qu’il ne se verra pas recommander cette sé-mantique quelques jours après. Au fur et à mesure qu’il choisira cette sésé-mantique, son coefficient de correspondance pourrait s’améliorer. Cette méthode permet aussi d’avoir une idée précise sur le comportement des utilisateurs. La figure 5.17 donne un aperçu du calcul du coefficient de correspondance. Les cellules du tableau colorées en noir sont celle qui représentent les coefficients qui respectent le critère de correspondance (coefficient ≥ 1). La Sémantique 1 ne sera donc plus recommandée à tous les utilisateurs l’ayant choisi. Elle sera recommandée aux utilisateurs U₁, U₂, U₃ et U₄. La Sémantique 2 sera recommandée aux utilisateurs U₂ et U₅, la Sémantique 3 recommandée aux utilisateurs

U2, U3 et U6 et la Sémantique 4 au utilisateurs U3, U4 et U6. U tilisateurs U1 U2 U3 U4 U5 U6 Sémantique 1 1,600 1,400 1,200 1,200 0, 400 0, 200 Sémantique 2 0, 700 1,176 0, 824 0, 941 1,529 0, 824 Sémantique 3 0, 960 1,080 1,320 0, 840 0, 600 1,200 Sémantique 4 0, 973 0, 649 1,135 1,459 0, 324 1,459 Table 5.17 – Tableau de calcul des coefficients de recommandation

5.4.6/ Résumé

Dans cette section, nous avons proposé une approche de recommandation basée sur quatre point essentiels. Le premier point est la formation de la communauté d’utilisateurs qui permet de représenter les utilisateurs au sein du système. Le deuxième point est l’acquisition des profils des utilisateurs. Deux profils se distinguent : les profils statiques et les profils dynamiques. Le troisième point est la classification des profils. Les profils sont regroupés grâce à l’algèbre de Galois. Le dernier point est la génération des listes de recommandations qui permet d’adresser des recommandations personnalisées aux utilisateurs.

5.5/ Conclusion

Nous venons de présenter dans ce chapitre une technique de recherche sémantique d’images basée sur le clustering et la recommandation. La recherche d’images basée sur le clustering comporte trois étapes. La première étape est l’extraction des sémantiques représentatives de la requête de l’utilisateur. Elle permet de calculer la similarité entre les vecteurs des caractéristiques sémantiques de la requête et des sémantiques du corpus en comparant les mots-clés de la requête aux instances des sémantiques du corpus. Pour cela, deux méthodes générales sont proposées : la méthode basée sur l’appariement et la méthode basée sur les mesures de similarité comme nous les avons présentés dans la section 5.3.4. Le but de l’extraction des sémantiques représentatives est d’extraire du

corpus les sémantiques qui répondent mieux à la requête de l’utilisateur. La deuxième étape est l’extraction des sémantiques voisines de chaque sémantique représentative. L’extraction du voisinage de chaque sémantique représentative est basée sur la compa-raison des vecteurs des caractéristiques des instances des sémantiques. La mesure de similarité cosinus est utilisée dans ce cas. La troisième étape est la formation des clusters de sémantiques. Le clustering des sémantiques repose sur deux méthodes, la formation des groupes de sémantiques au sein de chaque sémantique voisine basée sur la granu-larité et sur la matrice de confusion. Ceci permet de fournir à l’utilisateur des clusters des sémantiques les plus pertinentes. La recommandation des sémantiques quant à elle comporte trois étapes. La première partie de la recommandation est l’acquisition des profils d’utilisateurs. Deux types de profils sont distingués : les profils statiques et les profils dynamiques. Dans la deuxième partie, la classification des profils, les profils sont regroupés en des groupes similaires grâce à l’algèbre de Galois. Le but est de proposer des recommandations personnalisées à chaque utilisateur. La dernière partie est la génération des recommandations aux utilisateurs.

Expérimentation

Ce chapitre présente le prototype de l’application que nous avons développée afin de concrétiser les idées présentées dans le cadre du système Emergsem et par la suite les résultats de l’évaluation des techniques proposées.

Sommaire

6.1 Introduction . . . 124 6.2 Architecture du prototype . . . 124

6.2.1 Création de l’ontologie d’application sous Protégé . . . . 124 6.2.2 Implémentation du système Emergsem . . . . 126 6.2.3 Stockage des informations . . . . 130

6.3 Évaluation des résultats . . . 131

6.3.1 Comparaison d’Emergsem avec deux approches classiques . . . 132 6.3.2 Comparaison d’Emergsem avec CLUE et SIMPLIcity . . . . 139

6.4 Conclusion . . . 140

6.1/ Introduction

Dans ce chapitre, nous présentons dans un premier temps l’architecture du prototype du système Emergsem. Elle est composée de la création de l’ontologie d’application qui permet d’annoter les images, de l’implémentation du système à travers l’interface de l’annotation collaborative, l’interface d’instances des sémantiques proposées, l’interface d’évaluation des instances et l’interface de recherche et enfin du stockage des données. La deuxième partie décrit l’évaluation des résultats obtenus. Elle est basée sur la comparaison d’une part les résultats entre Emergsem et deux approches basées sur les techniques classiques que nous avons développées dans le cadre de notre expérimentation, et d’autre part les résultats entre

Emergsem et deux approches existantes.