A hybrid and adaptive framework for recommender systems

Les systèmes de recommandation sont des outils servant à suggérer aux utilisateurs des items pouvant les intéresser. De tels systèmes requièrent la définition d'un algorithme prenant en compte le domaine d'application. Cet algorithme est ensuite exécuté pour chaque utilisateur du système afin de lui générer des recommandations, et ce, sans prendre en compte ses particularités et ses besoins spécifiques.L'objet de cette thèse consiste à proposer une nouvelle approche de recommandation hybride combinant plusieurs algorithmes de recommandation afin d'obtenir une recommandation plus précise. De plus, l'approche proposée repose sur la structure de l'ontologie donnée en entrée du système, ce qui la rend réutilisable, facilement adaptable et applicable à tous les domaines (musique, publications scientifiques, films, etc.).Nous nous sommes également intéressées à la détection du type de recommandations auxquelles l'utilisateur répond le mieux afin d'adapter le processus de recommandation à chaque catégorie d'utilisateur et d'obtenir des recommandations plus ciblées. Notre approche de recommandation permet également d'expliquer les recommandations obtenues, ce qui permet d'augmenter la confiance de l'utilisateur vis-à-vis du système en lui prouvant que ses recommandations lui sont personnellement destinées et de lui donner la possibilité de corriger les explications, ce qui améliore la connaissance de l'utilisateur par le système et aide à écarter les futures recommandations non pertinentes.Le système de recommandation défini a été expérimenté hors-ligne à l'aide d'une validation croisée sur le dataset de MovieLens et en ligne avec de vrais utilisateurs. Les résultats obtenus sont très satisfaisants.Recommender systems are tools used to present users with items that might interest them. Such systems use algorithms that rely on the domain application. These algorithms are then executed for each user in order to find the most relevant recommendations for him, without taking into account his specific needs.In this thesis, we define a hybrid recommender system which combines several recommendation algorithms in order to obtain more accurate recommendations. Moreover, the defined approach relies on the structure of the input ontology, which makes the framework reusable, adaptable and domain-independent (music, research papers, films, etc.).We also had an interest in detecting in which kind of recommendations a user responds better in order to adapt the recommendation process to each user category and obtain more targeted recommendations. Finally, our approach can explain each recommendation, which increases the user confidence in the system by proving him that the recommendations are adapted to him. We also allow the user to correct the explanations in order to help the system to get a better understanding of him and avoid non accurate recommendations in the future.Our recommender system has been experimented online with real users and offline by performing a cross-validation on the MovieLens dataset. The results of the experimentation are very satisfying so far