Trace-based reasoning for user assistance and recommendations

Résumé : Dans le domaine des environnements numériques, un enjeu particulier consiste à construire des systèmes permettant aux utilisateurs de partager et de réutiliser leurs expériences. Cette thèse s'intéresse à la problématique générale des recommandations contextuelles pour des applications web dans un contexte particulier : tâche complexes, beaucoup de données, différents types d'utilisateurs (du débutant au professionnel), etc. Nous cherchons à fournir une assistance à l'utilisateur en prenant en compte le contexte et la dynamique des tâches que l'utilisateur effectue. On cherche à fournir des recommandations dynamiques qui sont enrichies au fur et à mesure des expériences. Pour fournir ces recommandations dynamiques, nous nous appuyons sur le Raisonnement à Partir de l'Expérience Tracée (RàPET). Dans le RàPET, les traces d'interaction constituent d'importants conteneurs de connaissances. Ces traces permettent de mieux comprendre le comportement des utilisateurs et leurs activités. Par conséquent, elles représentent également le contexte de l'activité. Les traces peuvent donc venir nourrir un assistant à partir d'expérience en lui fournissant des connaissances appropriées. Dans cette thèse, nous présentons un état de l'art sur les systèmes d'assistances dynamiques et nous rappelons les concepts généraux des systèmes à base de traces. Nous avons proposé une formalisation des traces modélisées et des processus qui permettent de manipuler ces traces. Nous avons notamment défini une méthode pour établir des mesures de similarité afin de comparer des traces modélisées. Nous avons implémenté ces propositions dans un outil appelé TStore. Cet outil permet le stockage, la transformation, la gestion et la réutilisation des traces modélisées. Ensuite, nous avons proposé un mécanisme de rejouage de traces pour permettre aux utilisateurs de revenir à un état précédent de l'application. Enfin, nous avons décrit une approche de recommandations à partir de traces. Le moteur de recommandations est alimenté par les traces d'interactions laissée par les précédents utilisateurs de l'application. Cette approche s'appuie sur les mesures de similarité proposées plus haut. Nous avons validé nos contributions théoriques à l'aide de deux applications web : SAP BusinessObjects Explorer pour l'analyse de données, et Wanaclip pour la génération semi-automatique de clips vidéos. Le mécanisme de rejouage de traces est démontré dans SAP BusinessObjects Explorer. Les recommandations à base de traces sont illustrées dans l'application Wanaclip. Dans la dernière partie du manuscrit, nous mesurons les performances de TStore et la qualité des recommandations et des mesures de similarité qu'il implémente. Nous discutons aussi des résultats du sondage que nous avons appliqué aux utilisateurs de Wanaclip pour mesurer leur satisfaction. Nos évaluations montrent que notre approche offre des recommandations satisfaisantes et un bon temps de réponse.
Type de document :
Thèse
Artificial Intelligence [cs.AI]. INSA de Lyon, 2013. English. <NNT : 2013ISAL0147>
Liste complète des métadonnées

https://tel.archives-ouvertes.fr/tel-01077945
Contributeur : Abes Star <>
Soumis le : lundi 27 octobre 2014 - 14:50:10
Dernière modification le : jeudi 17 novembre 2016 - 05:04:46
Document(s) archivé(s) le : mercredi 28 janvier 2015 - 11:26:01

Fichier

these.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01077945, version 1

Collections

Citation

Raafat Zarka. Trace-based reasoning for user assistance and recommendations. Artificial Intelligence [cs.AI]. INSA de Lyon, 2013. English. <NNT : 2013ISAL0147>. <tel-01077945>

Partager

Métriques

Consultations de
la notice

133

Téléchargements du document

269