Systèmes de
recommandations
et
Données environnementales
NEGRE Elsa
Université Paris-Dauphine
[Link]@[Link]
Plan
Qu’est ce qu’un système de recommandations ?
Les méthodes les plus utilisées
Les améliorations possibles
Un petit mot sur l’évaluation
Applications
Gestion de crises - Systèmes d’alertes précoces
Smart Cities
Ailleurs…
Conclusion et perspectives
2/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Un système de
recommandation – Quèsaco?
Un système de recommandation (RS) aide les utilisateurs qui n'ont
pas suffisamment d'expérience ou la compétence nécessaire pour
évaluer le nombre, potentiellement important, d’alternatives offertes
par un site (web).
Dans leur forme la plus simple les RS
recommandent à leurs utilisateurs des listes personnalisées et
classées d'articles
fournissent aux consommateurs des renseignements pour les
aider à décider quels articles acheter
Les articles peuvent être :
musique, livres, films, …
De manière générale, on parle d’items
3/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Un système de recommandation
– Quèsaco? (2)
Problématique : estimation de scores pour
des articles non encore évalués
Définition [Hill+:CHI’95] :
Soit
C : ensemble de tous les utilisateurs
S : ensemble de tous les articles possibles
u : fonction d’utilité d’un article s à l’utilisateur c
Alors, choisir l’article s’ non encore évalué de S qui
maximise l’utilité de chaque utilisateur c de C
4/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
U(c,s) Bridget Jack 7 Jack Bridget The Good,
Jones Reacher Mercenaries Reacher Jones the Bad and
Baby 2 1 Diary the Ugly
Elsa
Zahra
Dario
Elsa
5/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Plan
Qu’est ce qu’un système de recommandations ?
Les méthodes les plus utilisées
Les améliorations possibles
Un petit mot sur l’évaluation
Applications
Gestion de crises - Systèmes d’alertes précoces
Smart Cities
Ailleurs…
Conclusion et perspectives
6/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Les méthodes les plus
utilisées (1)
Collaborative: "Dites-moi ce qui est
populaire parmi mes pairs"
Idée : Essayer de prédire l'opinion de l'utilisateur qu’il aura sur les différents items et être en
mesure de recommander le «meilleur» item à chaque utilisateur en fonction des goûts/avis
précédents de l'utilisateur et des avis d'autres utilisateurs qui lui sont semblables .
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Les méthodes les plus
utilisées (2)
Content-based: “Montrez-moi plus que
ce qui ressemble à ce que j’ai aimé"
Idée : fait coïncider le profil de l’item avec le profil de l’utilisateur pour décider de sa pertinence pour
l’utilisateur.
Le profil de l’utilisateur est basé sur les items que l’utilisateur a aimé dans le passé ou sur les
intérêts qu’il a explicitement définis.
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Avantages Inconvénients
Utilise des recommandations d’autres Trouver des utilisateurs ou groupes
utilisateurs (score) pour évaluer l’utilité d’utilisateurs similaires est difficile
collaboratives
des items
Cold start problem
Approches
Nouvel utilisateur = Pas de préférences
Plus il y a d’utilisateurs, plus il y a de Nouvel item = Pas de score
scores : meilleurs sont les résultats
Faible densité de la matrice utilisateur/score
Portfolio Effect: Non Diversity Problem
Le profil des utilisateurs est la clé Tous les contenus ne peuvent pas être
représentés avec des mots-clés
Approches basées sur le contenu
Le matching entre les préférences de
l'utilisateur et les caractéristiques des Les utilisateurs avec des milliers
items fonctionne aussi pour les données d'achats/items sont un problème
textuelles
Nouvel utilisateur :
Pas besoin de données sur les autres pas d’historique ← Cold-start problem
utilisateurs.
Les profils utilisateurs…
Pas de problème de faible densité
Entièrement basé sur les scores d’articles et
Possibilité de faire des de sujets d'intérêt: moins il y a de scores, plus
recommandations à des utilisateurs l’ensemble de recommandations possibles est
avec des goûts « uniques ». limité.
Possibilité de recommander de Impossible d’exploiter les jugements des
nouveaux items ou même des items qui autres utilisateurs
ne sont pas populaires
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC 9/46
Les méthodes les plus
utilisées (3)
Hybrid: combinaisons de différentes
entrées et/ou composition de différents
mécanismes
10/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Plan
Qu’est ce qu’un système de recommandations ?
Les méthodes les plus utilisées
Les améliorations possibles
Un petit mot sur l’évaluation
Applications
Gestion de crises - Systèmes d’alertes précoces
Smart Cities
Ailleurs…
Conclusion et perspectives
11/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Améliorations - Contextualisation
Plus de 150 définitions différentes du contexte
existent dans différents domaines…
Définition de contexte la plus acceptée en context-
aware computing:
“Context is any information that can be used to
characterize the situation of an entity. An entity is a
person, place, or object that is considered relevant to the
interaction between a user and an application, including
the user and applications themselves” (Dey, 2001)
“A system is context-aware if it uses context to provide
relevant information and/or services to the user, where
relevancy depends on the user's task”. (Dey, 2001)
12/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Obtenir le contexte?
Pertinence du contexte?
Contexte
Identité
Informations
environnementales Préférences
(météo, bruits et lumière
ambiants, …)
Ressources
(matériel, outils,
…)
Activité
Informations
sociales (amis,
collègues, …)
Informations
temporelles et
spatiales
…
Mesures
physiologiques
13/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
CARS (1)
Systèmes de recommandation = aider à réduire la
surcharge d’information
Approche complémentaire intéressante = intégrer les
informations/données contextuelles
Systèmes de recommandation contextuels (CARS) qui
doivent générer des recommandations plus pertinentes en
s’adaptant à un contexte spécifique de l’utilisateur.
14/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
1
5
Modélisation du contexte
Différentes approches pour modéliser le contexte
[Hericko et al. 2012]:
has_age
has_context
person context
year
key-value,
has_gender
age month temporal
season
markup scheme, gender country
city
spatial physical
Name: Elsa, longitude environm
graphs,
male natural
job latitude ental
Date: 2016/10/22,
seeker has_child
disaster social
female special
Available movies: {Bridget Jones Baby; Jack Reacher 2; 7 Mercenaries}
war
object-oriented
… models, economi
situation
familial modal
child c crisis situation
logic-based models, married marital
interaction
status
media
ontologies, hasHusband(person) = Ǝe | ismarried(person, e)
single
nomber
of childs
user
...
divorced
widowed
M. Hericko, I. Rozman, et al. Taxonomy of context-aware systems. Elektrotehniski Vestnik, 79(1/2):41, 2012.
15/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
CARS (2)
Source : Adomavicius & Tuzhilin, 2010
16/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Plan
Qu’est ce qu’un système de recommandations ?
Les méthodes les plus utilisées
Les améliorations possibles
Un petit mot sur l’évaluation
Applications
Gestion de crises - Systèmes d’alertes précoces
Smart Cities
Ailleurs…
Conclusion et perspectives
17/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Evaluation des systèmes de
recommandation
Mean Absolute Error (MAE) calcule l’écart entre les
scores prédits et les scores réels.
Root Mean Square Error (RMSE) , similaire à la MAE,
mais met l’accent sur les plus grands écarts
Rappel et précision
Le « rank score » est défini comme le rapport entre le
score des items corrects et le meilleur score théorique
réalisable pour l'utilisateur
… 18/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Plan
Qu’est ce qu’un système de recommandations ?
Les méthodes les plus utilisées
Les améliorations possibles
Un petit mot sur l’évaluation
Applications
Gestion de crises - Systèmes d’alertes précoces
Smart Cities
Ailleurs…
Conclusion et perspectives
19/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Gestion de crises
La gestion de crise est l'ensemble des
modes d'organisation, des techniques et des
moyens qui permettent à une organisation de
se préparer et de faire face à la survenance
d'une crise puis de tirer les enseignements
de l'évènement pour améliorer les
procédures et les structures dans une vision
prospective.
Crise : risque pandémique, maladie émergente, crise sociale, crise
économique, crise politique/géopolitique, catastrophe naturelle,
conflits, …
20/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Système d’alerte précoce (EWS)
Un système d’alertes précoces peut être défini
comme une chaîne de systèmes de communication
d’information comprenant des capteurs, de la
détection, de la décision et des sous-systèmes
transitoires, dans cet ordre, qui travaillent en
collaboration, pour prévenir et signaler des
perturbations affectant négativement la stabilité du
monde physique ; et qui donnent suffisamment de
temps au système de réponse pour préparer les
ressources et les mesures d’intervention (actions)
pour minimiser l’impact sur la stabilité du monde
physique. (Waidyanatha, 2010)
21/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Contexte décisionnel des EWS
Plus l’alerte est déclenchée tôt, plus il y a de temps pour organiser et
coordonner des actions préventives.
Malheureusement, les informations relatives au “danger” deviennent de
plus en plus précises au fur et à mesure que le temps passe… 22/46
Un
“bon”
EWS
Les 4
éléments d’un
système
d’alertes
précoces
Source : UN/ISDR
Platform for the
23/43
promotion of EW
Les systèmes de
recommandation en EWS
Recommandations en EWS :
Etant donnés :
Un log d’alertes
Des indicateurs correspondants aux alertes
Une alerte déclenchée (courante)
Soit
A : ensemble des actions possibles
W : ensemble d’alertes
u : fonction d’utilité d’une action a pour une alerte w
Alors choisir l’action a’ non encore évaluée de A qui maximise l’utilité
pour chaque alerte w de W
24/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Plan
Qu’est ce qu’un système de recommandations ?
Les méthodes les plus utilisées
Les améliorations possibles
Un petit mot sur l’évaluation
Applications
Gestion de crises - Systèmes d’alertes précoces
Smart Cities
Ailleurs…
Conclusion et perspectives
25/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Smart Cities
De nombreuses villes à travers le monde se définissent
comme « ville intelligente », mais cette définition est loin
d'être bien positionnée et standardisée.
Les villes se consacrent également aux TIC
(Technologies de l'Information et de la Communication)
pour soutenir les grandes collections de données et leur
traitement, liés à la communication entre les citoyens et
les institutions, les services privés et publics
numériques, ...
Intérêt: Améliorer les stratégies, les choix et les
investissements de la ville
26/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Smart Cities (2)
Cities are smart:
“when investments in human and social capital
and traditional (transport) and modern (ICT)
communication infrastructure fuel sustainable
economic growth and a high quality of life,
with a wise management of natural
resources, through participatory governance”
(Caragliu [Link], 2011)
27/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Smart Cities (3)
LAND PEOPLE
. The importance of the . Citizens seen like targets
environment for the for the smart initiatives
quality of life in the urban
space . Subjects involved are
local and central
. The CO2 emission governments,
reduction like the main universities, businesses
goal of the smart city
GOVERNMENT
INFRASTRUCTURE . Defines the rules and
. Better use of energy priorities for smart
initiatives
. Renewal energy . Is itself the owner of smart
source processes
. Buildings efficiency . Gains efficiency and
effectiveness in delivering
. Efficient services smarter public services
(like transport) . Gains consensus thanks to
the better quality of life
28//46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Dans la pratique… Classification
(Giffinger, 2007)
Les systèmes de recommandation
pour les Smart Cities
Recommandations pour les Smart Cities:
Etant donnés :
Un log de villes
Une ville qui veut améliorer son « intelligence » (courante)
Soit
A : ensemble des actions possibles
V : ensemble de villes
u : fonction d’utilité d’une action a pour une ville v
Alors choisir l’action a’ non encore évaluée de A qui maximise
l’utilité pour chaque ville v de V
30/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Exemple - Hypothèses
Premièrement, nous restreignons notre espace de travail :
Les notes / scores sont donnés par une personne autorisée à prendre la décision de mettre en
œuvre des actions différentes et à travers ce score indique si l'action est (ou était) pertinente.
Une ville peut être considérée comme un n-uplet contenant la description de la ville et les
informations de la ville.
Les informations de la ville sont un ensemble de catégories « intelligentes » où chaque catégorie est
un ensemble de facteurs et chaque facteur est un 3-uplet spécifiant les indicateurs/valeurs
correspondants et pour chaque indicateur, l'ensemble des actions mises en œuvre.
Les données concernant les villes (catégories, facteurs, indicateurs, actions) sont enregistrées.
Le log peut être une base de données ou une autre structure de données. Il sera alimenté par le
système de recommandation au moment de l'utilisation du système par les villes.
Pour les données initiales (problème de démarrage à froid), nous espérons utiliser des données
officielles, publiques et libres, éventuellement enrichies avec la participation de volontaires.
La ville, qui veut améliorer son « intelligence », choisit, au début, une seule catégorie de villes
intelligentes (parmi les six) qu'elle souhaite rejoindre.
Les valeurs des indicateurs sont numériques.
Les indicateurs sont les mêmes pour une catégorie / un facteur donné pour chaque ville (seules les
valeurs changent et peuvent être nulles).
31/46
Exemple (2) - Overview
Smart cities categories, factors, indicators, actions Log
Pre-treating indicators of the smart cities into
Comparing
the the indicators
log according of the current
to therecommended
category of smartcity
Ranking the candidate
and the
cities ones by
chosen of the
the logged smart
city which cities
wants to and
actions.
extracting
improve itsthe corresponding
smartness actions,
(the current city),
Choosing a category
Pre-treating indicators
Current
city
Matching indicators
Recommended Ranking the recommended
actions
actions
Exemple (3)
A1 A4
A2 A5
A6
A3
A7
Exemple (4)
Step 1 : Pretreating indicators
Input :
the log of smart cities (L)
the category (G) chosen by the current city.
The Pretreat function is used to compute a set of intervals of
indicator values. It searches among cities in L having factors
and indicators corresponding to G, for each indicator, the
minimal recorded indicator value (Vmin) and the maximal
recorded indicator value (Vmax).
Output : [Vmin, Vmax]
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC 34/46
Exemple (5)
L = {Smallville, Metropolis}
G = Smart environment
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC 35/46
Exemple (6)
Step 2 : Matching indicators
Input :
Intervals of indicator values (step 1)
Current city (Cc)
The log of cities (L)
The Match function verifies if the indicator values of Cc belong
to the intervals. If it does not belong, the set of corresponding
actions in L is registered.
Output : a set of unordered actions
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC 36/46
Exemple (7)
A1
A2
A3 37/46
Exemple (8)
Step 3 : Ranking actions
Input :
The unordered set of actions (step 2)
Satisfaction criterion
The Rank function orders actions according to the satisfaction
criterion (expressed by the city).
Output : a set of ordered actions
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC 38/46
Exemple (9)
Recommended actions are the ordered set {A1, A2, A3}
A1 : after midnight shut down the public fountains
A2 : do not water plants during summer
A3 : do not wash cars during summer
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC 39/46
Plan
Qu’est ce qu’un système de recommandations ?
Les méthodes les plus utilisées
Les améliorations possibles
Un petit mot sur l’évaluation
Applications
Gestion de crises - Systèmes d’alertes précoces
Smart Cities
Ailleurs…
Conclusion et perspectives
40/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Ailleurs…
Entrepôts de données / OLAP
Recettes de cuisine
Experts dans les Environnements collaboratifs
de travail (CWE) à partir de traces d’interaction
Supports d’apprentissage dans les MOOC (avec
des agents)
… 41/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Plan
Qu’est ce qu’un système de recommandations ?
Les méthodes les plus utilisées
Les améliorations possibles
Un petit mot sur l’évaluation
Applications
Gestion de crises - Systèmes d’alertes précoces
Smart Cities
Ailleurs…
Conclusion et perspectives
42/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Conclusion
Les systèmes de recommandation ont leurs racines
dans de nombreux domaines de recherche :
Recherche d’information
Filtrage d’information
Classification de texte
…
Ils utilisent des techniques issues de différents domaines :
Machine learning
Data mining
…
abordent différents sujets :
Algorithmes de recommandation
Approches collaboratives, basées sur le contenu, hybrides, …
Evaluation des RS
Contexte
… 43/46
NEGRE Elsa - Systèmes de recommandations et Données environnementales - 02/12/2016 – Journée ADOC
Perspectives
Amélioration des techniques de filtrage collaboratif
Utiliser plus de sources de données (tagging data, demographic information,
and time data)
Combiner des techniques
…
Multicriteria recommender systems
Exploiter les scores multicritères qui contiennent de l’information
contextuelle, pour améliorer les recommandations
Context awareness
Prendre en compte les aspects temporel, géographiques, …
Contexte émotionnel (“Je suis tombée amoureuse d’un garçon. Je veux voir
un film romantique.")
…
Group recommendations
Les techniques de recommandation vont fusionner avec d’autres champs de
recherche
User modeling
Personalized reasoning Implications non-négligeables pour les
… données environnementales
Cold-start
Context-Aware recommender systems → Context-Driven recommender systems
44/46
Questions ?
Information and Recommender Systems Systèmes de recommandation
ISBN: 978-1-84821-754-6 ISBN : 978-1-78405-863-0
92 pages 82 pages
45/43
October 2015, Wiley-ISTE Juin 2015, ISTE