Yacine Lafif
IV. C ONTEXTE DE NOTRE RECHERCHE :
A travers l’énumération des travaux de recherche menés sur la recommandation, on constate que l’aspect crucial dans un moteur de recommandation est le moment d’intervention du système pour fournir l’assistance à l’utilisateur concerné en bon moment. Ce dernier est appelé moment critique ou situation d’impasse ou de blocage, qui peut être exprimé par un processus qui s’exécute en arrière- plan et lors de détection de ces situations le système de recommandation va se déclencher.
Le concept du moment critique est abordé par plusieurs approches dans divers contextes avec différentes notions. DRARS (Dynamic Risk-Aware Recommender System) est un système de recommandation dynamique qui est sensible au contexte [Bouneffouf, 2013]. Il prend en considération le niveau de risque de la situation de l’utilisateur dans un contexte industriel afin d’améliorer la performance de la recommandation. Bouneffouf (2013) a défini les situations critiques par l’ensemble des situations où l’utilisateur a besoin des informations importantes qui peuvent être recommandées par le système pour diminuer l’inquiétude de l’utilisateur dans un moment donné. [Zarka, 2013] a aussi abordé ces moments dans un contexte dynamique pour accomplir des tâches complexes. Il a représenté ces situations par des éléments observés qui sont utilisés par le paradigme de raisonnement à partir decas.
De ce constat, on essaie de réaliser les contributions suivantes :
La conception d’une approche qui permet la détection/prédiction des moments d’intervention en utilisant l’une des techniques de data mining/machine learning.
L’identification des types d’intervention selon les moments d’intervention détectés (tutorat, collaboration, évaluation, apprentissage,…etc.).
La conception d’un système de recommandation qui peut intervenir en bon moment pour suggérer une liste des ressources importantes (personne, activité pédagogique, scénario d’actions,…etc.)
L’ensemble des tâches abordées ci dessus est schématisé dans la figure suivante :
Fig. 3. Architecture générale de l’approche proposée.
Cette architecture est détaillée dans les phases suivantes : Phase de détection/prédiction des moments
d’intervention : le choix d’une technique de DM/Machine Learning est indispensable dans cette phase pour la détection/prédiction des moments d’assistance. Elle peut incorporer une étape d’apprentissage automatique sur les comportements des utilisateurs. Nous proposons d’utiliser K-means dans un premier temps.
Type d’intervention : d’après la phase précédente, le système va identifier le type d’intervention qui peut être exprimé par le type de ressource à recommander, par ailleurs, selon le contexte d’intervention on va recommander la bonne ressource.
Système de recommandation : cette phase présente le fonctionnement du moteur de recommandation, qui est déclenché suite à la détection du moment d’assistance. Le système prend le type d’intervention comme entrée pour générer à l’utilisateur cible une liste de recommandations appropriées.
V. CONCLUSION
Aujourd’hui, l’intégration des systèmes de recommandation est devenue une nécessité dans la plupart des plateformes commerciales ainsi que dans d’autres domaines. Ces systèmes permettent une gestion intelligente des grandes bases de données d’une façon implicite dont le but est la satisfaction des utilisateurs. La publication des papiers académiques dans cette filière s’augmente d’une manière exponentielle chaque année, ce qui traduit l’attention des chercheurs envers cette discipline. L’évolution des dispositifs technologiques a influencé l’utilisation de la recommandation comme un système de filtrage de l’information, plus précisément avec les applications des Smartphones et des tablettes…etc.
D’après la littérature, on a constaté que les systèmes de recommandation ont été utilisés fréquemment par les sites du commerce électronique pour la recommandation des films (ex : EachMovie, Movielens, Netflix,…etc.).
Malgré que la maturité atteinte par les systèmes de recommandation, ils souffrent de plusieurs problèmes et
lacunes. Parmi les solutions proposées l’utilisation des techniques de data mining.
D’après notre lecture, on a déduit que :
Le clustering a été reconnu comme la technique la plus appliquée par la majorité des systèmes de recommandation, soit pour résoudre le problème de démarrage à froid, ou bien pour alléger le problème du manque de données.
Le problème de démarrage à froid a été traité avec plusieurs techniques selon différents points de vue. La technique du KNN est largement utilisée par les
systèmes de recommandation à base du filtrage collaboratif pour la recherche des voisins fiables, ainsi que la recommandation des ressources en se basant sur la similarité avec les autres utilisateurs.
La classification à base de règles est intégrée avec succès dans les systèmes de recommandation pour inférer des nouvelles règles ainsi que la prédiction des informations manquantes.
La combinaison entre plusieurs techniques du data mining a pour but de combler les lacunes de certains algorithmes par d’autres.
Enfin, cet état de l’art a prouvé l’efficacité de l’intégration de différentes techniques de data mining pour combler les lacunes rencontrées par les systèmes de recommandation plus précisément dans le domaine d’apprentissage humain. L’objectif est d’améliorer la qualité d’apprentissage des apprenants et faciliter leurs tâches pédagogiques.
L’union entre le data mining et les systèmes de recommandation a permis de fournir un terrain fertile pour expérimenter les idées de la communauté des chercheurs dans divers domaines.
REFERENCES
SB. Aher et L. Lobo, « Applicability of Data Mining Algorithms for Recommendation System in e-Learning », in Proceedings of the International Conference on Advances in Computing, Communications and Informatics, New York, NY, USA, p. 1034– 1040, 2012.
X. Amatriain, A. Jaimes, N. Oliver, et JM. Pujol, « Data Mining Methods for Recommender Systems », in Recommender Systems Handbook, F. Ricci, L. Rokach, B. Shapira, et P. B. Kantor, Éd. Springer US, p. 39 71, 2011.
AR. Anaya, M. Luque, et T. García-Saiz, « Recommender system in collaborative learning environment using an influence diagram », Expert Syst. Appl., vol. 40, n° 18, p. 7193 7202, déc. 2013.
D. Bouneffouf, « DRARS, A Dynamic Risk-Aware Recommender System », thèse de doctorat, Institut National des Télécommunications, France, 2013.
F. Camara, R. Demumieux, G. Calvary, et N. Mandran, « Cocoon, un système de recommandation sensible au contexte: analyse de la valeur par une étude qualitative », in Proceedings of the Ergonomie et Informatique Avancee Conference, Biarritz, France, p. 211–218, 2010.
N. Capuano, R. Iannone, M. Gaeta, S. Miranda, P. Ritrovato, et S. Salerno, « A Recommender System for Learning Goals », in Information Systems, E-learning, and Knowledge Management Research, M. D. Lytras, D. Ruan, R. D. Tennyson, P. O. D. Pablos, F. J. G. Peñalvo, et L. Rusu, Éd. Springer Berlin Heidelberg, p. 515 521, 2013.
S. Chelcea, G. Gallais, et B. Trousse, « Recommandations personnalisées pour la recherche d’information facilitant les déplacements », Premières Journées Francophones: Mobilité et Ubiquité, p. 143-150. Nice, France, 2004.
W. Chen, Z. Niu, X. Zhao, et Y. Li, « A hybrid recommendation algorithm adapted in e-learning environments », World Wide Web, vol. 17, n° 2, p. 271–284, 2014.
MG. De Oliveira, PM Ciarelli, et E. Oliveira, « Recommendation of programming activities by multi-label classification for a formative assessment of students », Expert Syst. Appl., vol. 40, n° 16, p. 6641–6651, 2013.
P. Di Bitonto, T. Roselli, et V. Rossano, « Recommendation in e- learning social networks », in Advances in Web-Based Learning- ICWL 2011, Springer, p. 327–332, 2011.
I. Esslimani, « Vers une approche comportementale de recommandation: apport de l’analyse des usages dans un processus de personnalisation », thèse de doctorat, université Nancy II, France, 2010.
MH. Hsu, « A personalized English learning recommender system for ESL students », Expert Syst. Appl., vol. 34, n° 1, p. 683–688, 2008a.
MH. Hsu, « Proposing an ESL recommender teaching and learning system », Expert Syst. Appl., vol. 34, n° 3, p. 2102–2110, 2008b. G. Jawaheer, M. Szomszor, et P. Kostkova, « Comparison of implicit and explicit feedback from an online music recommendation service », in proceedings of the 1st international workshop on information heterogeneity and fusion in recommender systems, Barcelona, Spain, p. 47–51, 2010.
HN. Kim, A. Alkhaldi, A. El Saddik, et GS. Jo, « Collaborative user modeling with user-generated tags for social recommender systems », Expert Syst. Appl., vol. 38, n° 7, p. 8488–8496, 2011. YS. Kim et BJ. Yum, « Recommender system based on click stream data using association rule mining », Expert Syst. Appl., vol. 38, n° 10, p. 13320–13327, 2011.
SH. Liao, PH. Chu, et PY. Hsiao, « Data mining techniques and applications–A decade review from 2000 to 2011 », Expert Syst. Appl., vol. 39, n° 12, p. 11303–11311, 2012.
B. Lika, K. Kolomvatsos, et S. Hadjiefthymiades, « Facing the cold start problem in recommender systems », Expert Syst. Appl., vol. 41, n° 4, p. 2065–2073, 2014.
DH. Park, HK. Kim, IY. Choi, et JK. Kim, « A literature review and classification of recommender systems research », Expert Syst. Appl., vol. 39, n° 11, p. 10059–10072, 2012.
R. Picot-Clémente, « Une architecture générique de Systèmes de recommandation de combinaison d’items: application au domaine du tourisme », thèse de doctorat, université de Bourgogne, France, 2011.
C. Romero, S. Ventura, J. A. Delgado, et P. D. Bra, « Personalized Links Recommendation Based on Data Mining in Adaptive Educational Hypermedia Systems », in Creating New Learning Experiences on a Global Scale, E. Duval, R. Klamma, et M. Wolpers, Éd. Springer Berlin Heidelberg, p. 292 306, 2007. M. Salehi et IN Kamalabadi, « Hybrid recommendation approach for learning material based on sequential pattern of the accessed material and the learner’s preference tree », Knowl.-Based Syst., vol. 48, p. 57–69, 2013.
R. Zarka, « Trace-Based Reasoning for User Assistance and Recommendations », thèse de doctorat, université de Lyon, France, 2013.
CX. Zhang, ZK. Zhang, L. Yu, C. Liu, H. Liu, et XY. Yan, « Information filtering via collaborative user clustering modeling », Phys. Stat. Mech. Its Appl., vol. 396, p. 195–203, 2014.
L. Zhuhadar, O. Nasraoui, R. Wyatt, et E. Romero, « Multi-model ontology-based hybrid recommender system in e-learning domain », in Proceedings of the 2009 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology-Volume 03, p. 91–95, 2009.
D. Zakrzewska, « Building Group Recommendations in E- Learning Systems », in Transactions on Computational Collective Intelligence VII, N. T. Nguyen, Éd. Springer Berlin Heidelberg, p. 144 163, 2012.
[http1]http://www.podcastscience.fm/dossiers/2012/04/25/les- algorithmes-de-recommandation/ (Dernier accès le 21/11/2013). [http2]http://www.memoireonline.com/04/10/3310/m_La-
desambigusation-des-toponymes5.html (Dernier accès le 22/06/2014).