Cold-start recommendation : from Algorithm Portfolios to Job Applicant Matching

François Gonard 1, 2
2 TAU - TAckling the Underspecified
LRI - Laboratoire de Recherche en Informatique, UP11 - Université Paris-Sud - Paris 11, Inria Saclay - Ile de France, CNRS - Centre National de la Recherche Scientifique : UMR8623
Résumé : La quantité d'informations, de produits et de relations potentielles dans les réseaux sociaux a rendu indispensable la mise à disposition de recommandations personnalisées. L'activité d'un utilisateur est enregistrée et utilisée par des systèmes de recommandation pour apprendre ses centres d'intérêt. Les recommandations sont également utiles lorsqu'estimer la pertinence d'un objet est complexe et repose sur l'expérience. L'apprentissage automatique offre d'excellents moyens de simuler l'expérience par l'emploi de grandes quantités de données.Cette thèse examine le démarrage à froid en recommandation, situation dans laquelle soit un tout nouvel utilisateur désire des recommandations, soit un tout nouvel objet est proposé à la recommandation. En l'absence de données d'intéraction, les recommandations reposent sur des descriptions externes. Deux problèmes de recommandation de ce type sont étudiés ici, pour lesquels des systèmes de recommandation spécialisés pour le démarrage à froid sont présentés.En optimisation, il est possible d'aborder le choix d'algorithme dans un portfolio d'algorithmes comme un problème de recommandation. Notre première contribution concerne un système à deux composants, un sélecteur et un ordonnanceur d'algorithmes, qui vise à réduire le coût de l'optimisation d'une nouvelle instance d'optimisation tout en limitant le risque d'un échec de l'optimisation. Les deux composants sont entrainés sur les données du passé afin de simuler l'expérience, et sont alternativement optimisés afin de les faire coopérer. Ce système a remporté l'Open Algorithm Selection Challenge 2017.L'appariement automatique de chercheurs d'emploi et d'offres est un problème de recommandation très suivi par les plateformes de recrutement en ligne. Une seconde contribution concerne le développement de techniques spécifiques pour la modélisation du langage naturel et leur combinaison avec des techniques de recommandation classiques afin de tirer profit à la fois des intéractions passées des utilisateurs et des descriptions textuelles des annonces. Le problème d'appariement d'offres et de chercheurs d'emploi est étudié à travers le prisme du langage naturel et de la recommandation sur deux jeux de données tirés de contextes réels. Une discussion sur la pertinence des différents systèmes de recommandations pour des applications similaires est proposée.
Liste complète des métadonnées

Littérature citée [38 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01825220
Contributeur : Abes Star <>
Soumis le : jeudi 28 juin 2018 - 10:50:06
Dernière modification le : mercredi 9 janvier 2019 - 01:19:20
Document(s) archivé(s) le : jeudi 27 septembre 2018 - 08:27:03

Fichier

73261_GONARD_2018_archivage.pd...
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01825220, version 1

Citation

François Gonard. Cold-start recommendation : from Algorithm Portfolios to Job Applicant Matching. Artificial Intelligence [cs.AI]. Université Paris-Saclay, 2018. English. 〈NNT : 2018SACLS121〉. 〈tel-01825220〉

Partager

Métriques

Consultations de la notice

261

Téléchargements de fichiers

223