Direction de recherche : Patrick GALLINARI

Co-encadrement : GUIGUE Vincent

Apprentissage de représentations pour des données générés par les utilisateurs

Dans cette thèse, nous étudions comment les méthodes d'apprentissage de représentations peuvent être appliquées à des données générées par l'utilisateur. Nos contributions couvrent trois applications différentes, mais partagent un dénominateur commun: l'extraction des représentations d'utilisateurs concernés. Notre première application est la tâche de recommandation de produits, où les systèmes existant créent des profils utilisateurs et objets qui reflètent les préférences des premiers et les caractéristiques des derniers, en utilisant l'historique. De nos jours, un texte accompagne souvent cette note et nous proposons de l'utiliser pour enrichir les profils extraits. Notre espoir est d'en extraire une connaissance plus fine des goûts des utilisateurs. Nous pouvons, en utilisant ces modèles, prédire le texte qu'un utilisateur va écrire sur un objet. Notre deuxième application est l'analyse des sentiments et, en particulier, la classification de polarité.
Notre idée est que les systèmes de recommandation peuvent être utilisés pour une telle tâche. Les systèmes de recommandation et classificateurs de polarité traditionnels fonctionnent sur différentes échelles de temps. Nous proposons deux hybridations de ces modèles: la première a de meilleures performances en classification, la seconde exhibe un vocabulaire de surprise. La troisième et dernière application que nous considérons est la mobilité urbaine. Elle a lieu au-delà des frontières d'Internet, dans le monde physique. Nous utilisons les journaux d'authentification des usagers du métro, enregistrant l'heure et la station d'origine des trajets, pour caractériser les utilisateurs par ses usages et habitudes temporelles.

Publications 2014-2016

• 2016
  • M. Poussevin, E. Tonnelier, N. Baskiotis, V. Guigue, P. Gallinari : “Mining ticketing logs for usage characterization with nonnegative matrix factorization”, chapter in Big Data Analytics in the Social and Ubiquitous Context, vol. 9546, Lecture Notes in Computer Science, pp. 147-164, (Springer), (ISBN: 978-3-319-29008-9) (2016)
• 2015
  • M. Poussevin : “Apprentissage de représentations pour des données générés par les utilisateurs”, soutenance de thèse, soutenance 21/01/2015, direction de recherche Gallinari, Patrick, co-encadrement : Guigue, Vincent (2015)
  • M. Poussevin, V. Guigue, P. Gallinari : “Extended Recommendation Framework: Generating the Text of a User Review as a Personalized Summary”, 2^nd Workshop on New Trends in Content-Based Recommender Systems, ACM RecSys, vol. 1448, CEUR Workshop Proceedings, Vienna, Austria, pp. 34-41, (CEUR-WS.org) (2015)
  • M. Poussevin, V. Guigue, P. Gallinari : “Extraction d’un vocabulaire de surprise par mélange de filtrage collaboratif et d’analyse de sentiments.”, CORIA 2015 - 12^e Conférence en Recherche d'Informations et Applications, Paris, France, pp. 123-138 (2015)
• 2014
  • M. Poussevin, V. Guigue, P. Gallinari : “Extended recommendation framework: Generating the text of a user review as a personalized summary”, (2014)
  • M. Poussevin, N. Baskiotis, V. Guigue, P. Gallinari : “Mining ticketing logs for usage characterization with nonnegative matrix factorization”, SenseML 2014 -- ECML Workshop, Nancy, France (2014)
  • M. Poussevin, N. Baskiotis, V. Guigue, P. Gallinari : “Factorisation matricielle sous contraintes pour l’analyse des usages du métro parisien”, CAp'2014 : Conférence d'Apprentissage Automatique, Saint-Etienne, France (2014)
  • M. Poussevin, E. Guardia‑Sebaoun, V. Guigue, P. Gallinari : “Recommandation par combinaison de filtrage collaboratif et d’analyse de sentiments”, CORIA 2014 - COnférence en Recherche d’Information et Applications, Nancy, France, pp. 27-42 (2014)