Mami, Mohamed Ali
(2024).
« Évaluation des algorithmes de recommandation via des oracles » Mémoire.
Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en informatique.
Fichier(s) associé(s) à ce document :
Résumé
Les systèmes de recommandation sont des outils très importants dans de nombreux domaines tels que le commerce électronique (e-commerce), les médias sociaux et le divertissement en ligne. Ils aident les utilisateurs à découvrir des produits ou contenus pertinents en se basant sur leurs préférences passées ou les comportements d’autres utilisateurs ou en combinant les deux ensemble. Comme de nombreux articles l’ont présenté et discuté, il existe une grande variété d’algorithmes de recommandation, allant de la factorisation de matrices à l’apprentissage profond. Cependant, il est souvent difficile pour les chercheur de déterminer quel algorithme est le plus performant en raison du manque de jeux de données disponibles et des différentes conditions et contraintes expérimentales. Pour la recommandation des films par exemple, les évaluations actuelles se basent principalement sur quelques ensembles de données réels qui sont accessibles au public, mais ces ensembles peuvent ne pas toujours refléter toutes les situations possibles afin de déterminer quel algorithme performe le mieux. Pour adresser ces défis, nous proposons de générer des jeux de données synthétiques en utilisant des Oracles. Les Oracles permettent de créer des ensembles de données artificiels avec des caractéristiques contrôlées, facilitant ainsi l’évaluation des algorithmes dans des conditions variées et bien définies. Nous proposons, également, d’explorer le concept de bagging en utilisant plusieurs algorithmes de recommandation déjà existants. Ce concept consiste à créer plusieurs modèles à partir de sous-ensembles variés de données pour améliorer la robustesse et la précision des recommandations. Ce qui permet de tirer parti des forces des différents algorithmes et de compenser leurs faiblesses respectives. Le but de ce mémoire est donc d’effectuer une évaluation comparative des algorithmes de recommandation de la littérature en utilisant les jeux de données synthétiques générés par les Oracles et nos versions de bagging, de tester également les performances de ces algorithmes en conditions bruitées pour évaluer leur capacité à gérer le bruit et maintenir la précision des recommandations pour fournir des conclusions sur la robustesse des algorithmes et permettre de mieux comprendre leurs dynamiques de performance.
_____________________________________________________________________________
MOTS-CLÉS DE L’AUTEUR : Algorithmes de recommandation, Évaluation des performances, Analyse comparative, Génération de données, Oracle, Bagging, Gestion du bruit.
| Type: |
Mémoire accepté
|
| Informations complémentaires: |
Fichier numérique reçu et enrichi en format PDF/A. |
|
Directeur de thèse: |
Avellaneda, Florent |
| Mots-clés ou Sujets: |
Systèmes de recommandation / Algorithmes d'apprentissage / Évaluation / Données générées synthétiquement / Cinéma |
| Unité d'appartenance: |
Faculté des sciences > Département d'informatique |
| Déposé par: |
Service des bibliothèques
|
| Date de dépôt: |
07 janv. 2025 09:22 |
| Dernière modification: |
07 janv. 2025 09:22 |
| Adresse URL : |
http://archipel.uqam.ca/id/eprint/18382 |
RECHERCHER
PARCOURIR
LIBRE ACCÈS
