Direction de recherche : Christophe MARSALA

Co-encadrement : RAMDANI Mohammed (FSTM Université Hassan II, Maroc)

Classification multi-labels graduée : découverte des relations entre les labels, et adaptation à la reconnaissance des odeurs et au contexte big data des systèmes de recommandation

En classification multi-labels graduée (CMLG), chaque instance est associée à un ensemble de labels avec des degrés d’association gradués. Par exemple, une même molécule odorante peut être associée à une odeur forte ‘musquée’, une odeur modérée ‘animale’, et une odeur faible ‘herbacée’. L’objectif est d’apprendre un modèle permettant de prédire l’ensemble gradué de labels associé à une instance à partir de ses variables descriptives. Par exemple, prédire l’ensemble gradué d’odeurs à partir de la masse moléculaire, du nombre de liaisons doubles, et de la structure de la molécule.
Un autre domaine intéressant de la CMLG est les systèmes de recommandation. En effet, les appréciations des utilisateurs par rapport à des items (produits, services, livres, films, etc) sont d’abord collectées sous forme de données MLG (l’échelle d’une à cinq étoiles est souvent utilisée). Ces données sont ensuite exploitées pour recommander à chaque utilisateur des items qui ont le plus de chance de l’intéresser.
Dans cette thèse, une étude théorique approfondie de la CMLG permet de ressortir les limites des approches existantes, et d’assoir un ensemble de nouvelles approches apportant des améliorations évaluées expérimentalement sur des données réelles. Le cœur des nouvelles approches proposées est l’exploitation des relations entre les labels. Par exemple, une molécule ayant une forte odeur ‘musquée’ émet souvent une odeur faible ou modérée ‘animale’. Cette thèse propose également de nouvelles approches adaptées au cas des molécules odorantes et au cas des gros volumes de données collectées dans le cadre des systèmes de recommandation.

Publications 2015-2018

• 2018
  • Kh. Laghmari : “Classification multi-labels graduée : découverte des relations entre les labels, et adaptation à la reconnaissance des odeurs et au contexte big data des systèmes de recommandation”, soutenance de thèse, soutenance 23/03/2018, direction de recherche Marsala, Christophe, co-encadrement : Ramdani, Mohammed (FSTM Université Hassan II, Maroc) (2018)
• 2017
  • kh. Laghmari, Ch. Marsala, M. Ramdani : “An adapted incremental graded multi-label classification model for recommendation systems”, Progress in Artificial Intelligence, (Springer) (2017)
  • kh. Laghmari, Ch. Marsala, M. Ramdani : “A Distributed Recommender System Based on Graded Multi-label Classification”, International Conference on Networked Systems, vol. 10299, Lecture Notes in Computer Science, Marrakech, Morocco, pp. 101-108, (Springer) (2017)
  • kh. Laghmari, Ch. Marsala, M. Ramdani : “Classification multi-labels graduée: Apprendre les relations entre les labels ou limiter la propagation d’erreur ?”, Actes EGC 2017, Grenoble, France (2017)
• 2016
  • kh. Laghmari, Ch. Marsala, M. Ramdani : “Graded multi-label classification: compromise between handling label relations and limiting error propagation”, SITA 2016 - 11^th International Conference on Intelligent Systems: Theories and Applications, Mohammadia, Morocco, pp. 1-6, (IEEE) (2016)
• 2015
  • kh. Laghmari, M. Ramdani, Ch. Marsala : “A Distributed Graph Based Approach for Rough Classifications Considering Dominance Relations Between Overlapping Classes”, 2015 10^th International Conference on Intelligent Systems: Theories and Applications (SITA), Rabat, Morocco, pp. 1-6, (IEEE) (2015)