Méthode de contextualisation collaborative

Les applications cibles permettent de conquérir des utilisateurs en leur fournissant des systèmes personnalisés qui s’adaptent à leurs besoins et intérêts. Rappelons que la per-sonnalisation est définie comme la capacité à fournir à tout moment à un utilisateur des contenus et des services adaptés à ses besoins et à ses attentes en utilisant des interactions Homme-Machine appropriées. Dans notre travail, nous procédons par une personnali-sation de contenu. Elle consiste à sélectionner et adapter les informations contextuelles pertinentes. Le contexte s’étale sur différentes dimensions, en particulier la dimension uti-lisateur. Cette dernière comprend le contexte social et le contexte personnel. Le premier correspond au voisinage social de l’utilisateur comme ses groupes et communautés d’in-térêt. Alors que le deuxième contient ses informations démographiques, psychologiques et cognitives. Ainsi, l’opérationnalisation de la personnalisation est fonction des centres d’intérêt de l’utilisateur en plus de son voisinage social.

Donc, pour la mise en oeuvre de la personnalisation de contenu basée sur les commu-nautés d’intérêt, nous allons répondre aux questions suivantes :

1. Comment construire le contexte ?

2. Comment exploiter le contexte pour sélectionner les contenus ?

Les profils utilisateur sociaux construits et représentés dans le chapitre3sont perçus comme de la connaissance que nous exploitons pour renvoyer à l’utilisateur des contenus correspondant à ses besoins. Ce modèle contient les deux dimensions du contexte. En ef-fet, il est construit non seulement sur la base des intérêts et activités des utilisateurs mais aussi en tenant compte des autres utilisateurs qui leurs sont similaires. Plus particuliè-rement, et afin de bénéficier des données des autres pour une meilleure personnalisation des contenus, certaines recherches ont exploré l’utilité de l’exploitation des informations d’appartenance à un groupe qui pourraient être suffisamment similaires les uns aux autres. Cette similarité est bien garantie dans les communautés d’intérêt comme étant des groupes d’utilisateurs ayants des intérêts communs. Ainsi, nous proposons d’exploiter les données dans les communautés d’intérêt en tirant parti des points communs de ses membres pour réaliser la personnalisation.

FIGURE4.2 – Intégration du profil utilisateur social dans la personnalisation des informa-tions dans les PDBA

A la différence de la personnalisation individuelle où l’utilisateur est considéré in-dividuellement, la personnalisation collaborative considère l’utilisateur comme membre d’un groupe d’utilisateurs. Nous proposons ce que nous appelons une personnalisation

basée sur les communautés (community-based personalization) où un utilisateur n’est pas considéré individuellement mais comme membre d’une communauté d’intérêt.

Définition 22 (Community-based Personalization). La personnalisation basée sur les communautés est une méthode de personnalisation de contenu collaborative dont le prin-cipe est de considérer l’utilisateur comme membre d’une communauté d’intérêt afin de lui fournir des informations adaptées à ses intérêts.

Pour ce faire, nous nous basons sur la technique de personnalisation appelée “Groupization” [Morris et al., 2008]. Il a été prouvé que cette technique augmente le processus de personnalisation en donnant des poids plus élevés aux résultats qui inté-ressent davantage de membres d’un groupe d’utilisateurs.

Cette technique est un moyen de reclasser les résultats dans l’ordre le plus pertinent pour les membres du groupe. Elle vise à amplifier les similitudes entre ces membres afin de produire une vue partagée des résultats correctement ordonnée.

Cette technique tire parti des points communs d’un groupe pour améliorer la person-nalisation. En effet, elle considère les informations sur l’appartenance à un groupe en tant qu’indicateur supplémentaire implicite des utilisateurs qui pourraient être assez sem-blables les uns aux autres. Le processus de la personnalisation est augmenté en attribuant des poids plus élevés aux documents qui intéressent davantage de membres du groupe, en fonction de l’appariement de l’historique de chaque membre et des fréquences locales des documents. D’abord un score de personnalisation est calculé pour chaque résultat de recherche pour chaque membre du groupe.

Les étapes de l’application de la technique de “Groupization” sur un ensemble de résultats de recherche sont les suivantes :

1. Calculer un score de personnalisation pour chaque résultat de recherche pour chaque membre du groupe ;

2. Pour chaque ensemble de résultats, le score est calculé comme la somme des scores de personnalisation de chaque membre du groupe.

Quant au calcul du score de personnalisation d’un résultat de recherche, nous avons recours à la méthode définie par [Teevan et al., 2005]. Cette méthode incorpore les in-formations sur les intérêts et les activités des utilisateurs dans la personnalisation de la recherche en modifiant BM25 [Jones et al., 1998] qui est un processus de pondération probabiliste. Il classe les documents en fonction de leur probabilité de pertinence selon la requête. Plus particulièrement, il les classe en additionnant les termes d’intérêt du pro-duit du poids w_i du terme i et de la fréquence avec laquelle ce terme apparaît dans le

document.

w_i = log^{(ri+ 0.5)(N − ni+ 0.5)}

(n_i+ 0.5)(R − r_i+ 0.5) ^(4.1) Où :

• N est le nombre total de documents

• n_i est le nombre de documents qui contiennent le terme i

• R est le nombre des documents correspondant à l’utilisateur en question

• r_i est le nombre de documents correspondant à l’utilisateur en question contenant le terme i

Dans leur travail, [Teevan et al., 2005] considèrent les documents d’un utilisateur comme les pages Web, les messages électroniques (Email), les éléments du calendrier, etc. Dans notre travail, nous considérons les documents comme étant les contenus que l’utilisateur publie et partage dans les Réseaux Sociaux.