Modèle de Contenu Sémantique C-W d u

α^{t f(to,d} u i) |du i| + (1−α)∑_tgj∈T-Tdu_i ^P(to|tgj)P(tg_j|T-T_du i) ∑_tk∈du_i P(t_k|Tu di⁾ ∑t_k∈du i P(t_k|C-T_du i) (5.15) = α^{t f(to,d} u i) |du i| + (1−α) ∑_tgj∈T-Tdu_i ^P(to|tg_j) ∑K zk=1^φtgj,zkθ_zk,du i ∑tgr∈Tu di ∑K zk=1^φtgr,zkθ_zk,du i ∑_tk∈du_i P(t_k|Tu di⁾ ∑t_k∈du i P(t_k|C-T_du i) (5.16)

où φ_tgj,zk représente la probabilité du tag tg_j dans le thème z_ket θ_zk,du

i représente la probabilité que le document traite du

i du thème z_k. Ces probabilités sont calculées sur l’ensemble des thèmes.

5.3.4 Modèle de Contenu Sémantique C-W_du

i

Un modèle de Contenu Sémantique noté C-W_du

i où la probabilité P(tg_j|T-W_du i) est estimé suivant le modèle de Tag Thématique présenté dans la chapitre 4, et la formule finale du modèle C-W_du

i est comme suit :

P(to|C-W_du i) = ^αP(t_o|d^u_i) + (1−α)P(t_o|T-W_du i) ∑t_k∈du i P(t_k|C-W_du i) (5.17) = α^{t f(to,d} u i) |du i| + (1−α)∑_tgj∈T-Wdu_i ^P(to|tg_j) P(tg_j|T-W_du i) ∑_tk∈du_i P(tk|Tu di⁾ ∑tk∈du i P(t_k|C-W_du i) (5.18) = α^{t f(to,d} u i) |du i| + (1−α) ∑_tgj∈T-Wdu_i ^P(to|tg_j) ∑tp∈d_i^uP(tg_j|t_p)P(t_p|du i) ∑tgr∈T_du i ∑tp∈du i P(tg_r|t_p)P(t_p|du i)) ∑_tk∈du_i P(tk|Tu di⁾ ∑tk∈du i P(t_k|C-W_du i) (5.19) où la probabilité P(tg_j|t_p)présente la similarité sémantique entre le tag tg_j et le terme tpet P(tp|d^u_i)représente la probabilité du terme tpdans le document d^u_i. Cette probabilité est calculée par un maximum de vraisemblance (t f(tp, d^u_i)||d^u_i|).

5.4 Construction du profil de l’utilisateur

La construction du profil de l’utilisateur que nous proposons est réalisée en deux étapes comme suit :

1. Identification des termes importants consiste à déterminer les termes perti-nents pour chaque document annoté par l’utilisateur et qui potentiellement reflètent les centres d’intérêts de cet utilisateur.

Pour chaque couple< d^u_i, T_d^u

i >( document d^u_i annoté par l’utilisateur u avec les tags T_d^u

i), nous estimons le poids de chaque terme du document d^u_i. Dans la section précédente, nous avons détaillé les quatre méthodes d’esti-mation des modèles de contenu pour chaque document de l’utilisateur : (a) Le modèle de Contenu Basique C-X_du

i

(b) Le modèle de Contenu Standard C-S_du i

(c) Le modèle de Contenu Thématique C-T_du i

(d) Le modèle de Contenu Sémantique C-W_du i

2. Construction du profil utilisateur est réalisée en exploitant les modèles de Contenu des documents estimés dans la première étape.

Sur l’ensemble des documents annotés par l’utilisateur d^u_i ∈ D_u, nous esti-mons les poids des termes sur l’ensemble des modèles de contenu de l’utili-sateur.

Pour chaque termes t_o du vocabulaire, le poids final de ce terme correspond à sa distribution moyenne dans tous les modèles des Contenu des documents. Plus formellement, un utilisateur u est représenté par un vocabulaire de termes V_T définit sur l’ensemble de termes des documents D^u qu’il a annoté. Nous défi-nissons un profil utilisateur sur l’ensemble de son vocabulaire V_T, où le poids de chaque terme to ∈V_T est estimé comme suit :

P(to|P_C-X^u ) = ∑d_i∈DuP(t_o|C-X_du i) ∑tp∈VT ∑di∈DuP(t_p|C-X_du

i) (5.20)

P_C-X^u représente le profil de l’utilisateur où X qui peut être B pour le profil ba-sique P_C-B^u , S pour désigner le profil standard P_C-S^u , T pour le profil thématique P_C-T^u , et W pour le profil sémantique P_C-W^u .

Nous définissons ainsi quatre profils pour l’utilisateur qui exploitent chaque mo-dèle de contenu de document comme suit :

— Le Profil Utilisateur Basique notée P_C-B^u basé sur le modèle de Contenu Ba-sique décrit en section5.3.1, comme suit :

P(to|P_C-B^u ) = ∑d_i∈DuP(t_o|C-B_du i) ∑tp∈VT∑d_i∈DuP(t_p|C-B_du

i) (5.21)

— Le Profil Utilisateur Standard notée P_C-S^u basé sur le modèle de Contenu Stan-dard décrit en section5.3.2, comme suit :

P(t_o|P_C-S^u ) = ∑di∈DuP(to|C-S_du i) ∑tp∈VT∑di∈DuP(tp|C-S_du

5.5. Modèle de recherche d’information sociale personnalisée 63 — Le Profil Utilisateur Thématique Pu

C-T avec une estimation basée sur le mo-dèle de Contenu Thématique présenté en section5.3.3 pour chaque tag de l’utilisateur :

P(t_o|P_C-T^u ) = ∑di∈DuP(to|C-T_du i) ∑tp∈VT∑di∈DuP(tp|C-T_du

i) (5.23)

— Le Profil Utilisateur Sémantique P_C-W^u basé sur le modèle de Contenu Sé-mantique5.3.4

P(t_o|P_C-W^u ) = ∑d_i∈DuP(t_o|C-W_du i) ∑tp∈V_T ∑d_i∈DuP(t_p|C-W_du

i) (5.24)

5.5 Modèle de recherche d’information sociale personnalisée

Dans cette section, nous présentons les différents modèles de RISP pour évaluer les profils utilisateurs que nous avons proposés dans ce chapitre.

Similairement au chapitre5, nous employons un modèle d’ordonnancement qui est basé sur une combinaison linéaire du score de pertinence du document à la re-quête et un score de pertinence du document pour le profil de l’utilisateur.

Pour un utilisateur u qui soumet la requête q, le document d va avoir un score d’ordonnancement estimé comme suit :

RSV(q, d, u) =β_CRSV(q, d) + (1−β_C)RSV(d, u) (5.25) avec RSV(q, d)représente le score correspondance entre le document d^u_i et la re-quête q et RSV(u, d)représente le score de correspondance entre le profil utilisateur et le document respectivement, et βCun paramètre dans [0,1].

Le profil de l’utilisateur u est estimé en utilisant les modèles que nous avons proposés dans les sections précédentes. Nous proposons ainsi 4 modèles de RISP qui sont :

— Le modèle MC^u_Boù le profil de l’utilisateur est estimé avec le modèle P_C-B^u . RSV(q, d, u) =β_cRSV(q, d) + (1−β_c)RSV(d, P_C-B^u ) (5.26) — Le modèle MCu

Soù le profil de l’utilisateur est estimé avec le modèle Pu C-S. RSV(q, d, u) =β_cRSV(q, d) + (1−β_c)RSV(d, P_C-S^u ) (5.27) — Le modèle MC^u_Toù le profil de l’utilisateur est défini en employant le modèle

P_C-T^u .

RSV(q, d, u) =β_cRSV(q, d) + (1−β_c)RSV(d, P_C-T^u ) (5.28) — Le modèle MC^u_Woù le profil de l’utilisateur est modélisé par le modèle P_C-W^u . RSV(q, d, u) =β_cRSV(q, d) + (1−β_c)RSV(d, P_C-W^u ) (5.29) Les scores RSV(q, d)et RSV(u, d) sont estimés avec le modèle de langue avec lissage de Dirichlet. Le paramètre de lissage µ est fixé, dans toutes nos expérimenta-tions, à la valeur classique 2500, qui est celle par défaut de systèmes comme Terrier.

5.6 Conclusion

Dans le chapitre précédent 4, nous avons présenté une première approche de modélisation de l’utilisateur basé sur les tags en exploitant les documents pour la pondération des tags. Nous avons proposé trois modèles utilisateurs et chaque mo-dèle exploite un momo-dèle de Tags de document comme suit :

— Le modèle MT^u_Soù le profil de l’utilisateur est estimé avec le modèle de Tag Standard P_T-S^u .

— Le modèle MTu

Toù le profil de l’utilisateur est définit en employant le modèle de Tag Thématique P_T-T^u .

— Le modèle MT^u_Woù le profil de l’utilisateur est modélisé par le modèle de Tag Sémantique P_T-W^u .

L’évaluation de ces modèles est présentée dans le chapitre8.

Dans ce chapitre, nous avons présenté une approche de modélisation l’utilisa-teur basé sur les documents en exploitant les tags pour la pondération des termes du document. Précisément, cette approche propose de faire dépendre les termes du document non seulement du contenu textuel du document mais également des tags attribués par l’utilisateur à ce document. Le but est de déterminer les termes impor-tants du document qui reflètent les centres d’intérêts de l’utilisateur.

Nous avons proposé quatre modèles utilisateurs, où chaque modèle se base sur un modèle de Tag spécifique :

— Le modèle MC^u_Boù le profil de l’utilisateur est estimé avec le modèle P_C-B^u . Le profil de l’utilisateur P_C-B^u , prend en compte tous les tags de l’utilisateur. — Le modèle MCu

S où le profil de l’utilisateur est estimé avec le modèle Pu C-S. Le profil de l’utilisateur P_C-S^u , intègre le modèle de Tag Standard.

— Le modèle MC^u_Toù le profil de l’utilisateur est défini en employant le modèle Pu

C-T. Le profil de l’utilisateur Pu

C-T, intègre le modèle de Tag Thématique. — Le modèle MC^u_Woù le profil de l’utilisateur est modélisé par le modèle P_C-W^u .

Le profil de l’utilisateur P_C-W^u , intègre le modèle de Tag Sémantique. L’évaluation de ces modèles est présentée dans le chapitre7.

65

Quatrième partie

Dans le document Recherche sociale et personnalisée d'Information (Page 77-83)