Intégration des mesures de centralité sur graphe dans les systèmes de recommandation pour augmenter la nouveauté et la diversité de leurs recommandations

Details

Supervisors

Fouss, François

Faculty

Louvain School of Management

Degree label

Master [120] : ingénieur de gestion, à finalité spécialisée

Abstract

Les systèmes de recommandation sont de plus en plus présents sur internet. Ils permettent de filtrer les informations vues par un utilisateur en fonction de ses goûts et de ses intérêts. De nos jours, on attend plus seulement qu’un système de recommandation soit précis, mais qu’il propose des articles nouveaux et divers à l’utilisateur. Dans ce mémoire, nous étudierons l’intégration des mesures de centralité sur graphe dans les systèmes de recommandation pour augmenter la nouveauté et la diversité de leurs recommandations. Pour ce faire, nous nous pencherons, tout d’abord, sur les études déjà effectuées dans ce domaine avec l’intégration des mesures sur graphe dans les systèmes de recommandation. Toutes ces études concluent que l’intégration des caractéristiques sur graphe améliore la performance des systèmes au niveau de leur précision. Ensuite, nous implémenterons plusieurs systèmes de recommandations pour mener notre propre étude. Nous analyserons la performance de ces systèmes intégrant des mesures d’intermédiarité ou de proximité à différentes étapes. Cette performance est évaluée sur les critères de précision, de diversité et de nouveauté. Cette phase d’expérimentation se fera à l’aide du langage de programmation Python. À la suite de cette étude, nous pouvons constater que l’intégration des mesures de centralité sur graphe peut avoir un impact sur la nouveauté et la diversité des recommandations. Cependant, cet impact n’est pas toujours positif. En effet, notre étude ne permet pas de conclure que l’intégration de ces mesures résulte à une augmentation de la nouveauté ou de la diversité dans les listes de recommandations. Nous avons aussi constaté que l’intégration de ces mesures avait aussi un impact sur la précision du système, celui-ci peut être positif ou négatif. Toutefois, dans cette étude, nous privilégions l’impact sur les mesures de nouveauté et de diversité à la précision.