| Titre : | Systèmesderecommandationbaséssurles techniquesdel’apprentissageprofond |
| Auteurs : | Latreche Abdelkrim, Auteur ; HAMEL Wassila, Auteur ; HALIMI Amel Ikram, Auteur |
| Type de document : | texte imprimé |
| Année de publication : | 2024 |
| Note générale : |
Dans le contexte actuel de surcharge causée par l’important volume de données numériques
accessibles, les systèmes de recommandation permettent de guider l’utilisateur dans ses activités d’apprentissages, d’achats, de loisir, de regarder des films, de lectures..., en lui suggérant des items personnalisés et de fournir à des utilisateurs des suggestions qui répondent à leurs exigences. Pour cela, ils prédisent ses préférences relativement aux items qu’il n’a pas encore évalués. Parmi les approches classiques de recommandation, le filtrage collaboratif (CF) est la méthode la plus importante et la plus utilisée qui reposent sur les données collectées par le biais de retours d’utilisateurs, généralement sous la forme d’une matrice de notes, et tentent d’y découvrir les informations pertinentes pour caractériser et prédire les goûts des utilisateurs. Dans ce mémoire, notre travail s'inscrit dans le cadre de l’application des techniques de l’apprentissage profond (deeplearning) dans les systèmes de recommandations collaboratifs. Précisément, l’objectif de notre travail est d’implémenter, et de comparer divers méthodes basées sur l’apprentissage profond, tel que : Co-occurrence CNN pour recommandation (CoCNN), CNN pour recommandation (CNN), le filtrage collaboratif neuronal (NCF) et les méthodes basées sur le machine learning, tel que : k plus proches voisins(KNN). Nous avons comparés ces modèles pour déterminer quelle méthode est la plus appropriée pour modéliser l’interaction complexe utilisateur-élément. |
| Langues: | Français |
| Mots-clés: | Systèmes recommandation basés sur les l’apprentissage |
| Résumé : |
Dans le contexte actuel de surcharge causée par l’important volume de données numériques
accessibles, les systèmes de recommandation permettent de guider l’utilisateur dans ses activités d’apprentissages, d’achats, de loisir, de regarder des films, de lectures..., en lui suggérant des items personnalisés et de fournir à des utilisateurs des suggestions qui répondent à leurs exigences. Pour cela, ils prédisent ses préférences relativement aux items qu’il n’a pas encore évalués. Parmi les approches classiques de recommandation, le filtrage collaboratif (CF) est la méthode la plus importante et la plus utilisée qui reposent sur les données collectées par le biais de retours d’utilisateurs, généralement sous la forme d’une matrice de notes, et tentent d’y découvrir les informations pertinentes pour caractériser et prédire les goûts des utilisateurs. Dans ce mémoire, notre travail s'inscrit dans le cadre de l’application des techniques de l’apprentissage profond (deeplearning) dans les systèmes de recommandations collaboratifs. Précisément, l’objectif de notre travail est d’implémenter, et de comparer divers méthodes basées sur l’apprentissage profond, tel que : Co-occurrence CNN pour recommandation (CoCNN), CNN pour recommandation (CNN), le filtrage collaboratif neuronal (NCF) et les méthodes basées sur le machine learning, tel que : k plus proches voisins(KNN). Nous avons comparés ces modèles pour déterminer quelle méthode est la plus appropriée pour modéliser l’interaction complexe utilisateur-élément. |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| TECT3094 | T,I,M00703 | thèses | Emprunt | 10 | Libre accès Disponible |
Documents numériques (1)
Systèmesderecommandationbaséssurles techniquesdel’apprentissageprofond Adobe Acrobat PDF |
