Etude de la pertinence de critères de recherche en recherche d'informations sur des données structurées

étude de la pertinence de critères de
recherche en recherche d'informations sur
des données structurées
Kris JACK et Florence DUCLAYE
France Télécom Recherche & Développement

PeCUSI (Prise en compte de l'utilisateur dans les systèmes d'information)
INFORSID'07
22/05/07

recherche & développement

sommaire

1. problématique
2. contexte de l'étude
3. FTSem : un système de recherche d'informations
personnalisées
4. étude 1 : La pertinence relative des caractéristiques
5. étude 2 : étude à l'évaluation de FTSem personnalisé
6. conclusions

recherche & développement Groupe France Télécom

1
problématique


problématique

problématique  trouver une émission de télévision parmi un
contexte grand nombre de programmes proposés est
FTSem difficile
étude 1  les méthodes de recherches classiques (ex :
étude 2 feuilleter un programme télé ou zapper)
conclusions  peuvent être laborieuses
 prendre beaucoup de temps
 le téléspectateur ne trouvera pas forcément
l'émission la plus appropriée

 solution possiblela personnalisation


problème abordé

problématique  pour choisir une émission, le téléspectateur va
contexte se baser sur plusieurs caractéristiques parmi
FTSem lesquelles : le genre, le réalisateur, etc.
étude 1  lors de la recherche d'une émission, deux
étude 2 personnes peuvent donner à ces
conclusions caractéristiques différentes valeurs
 ex : une personne trouvera le réalisateur plus
pertinent, tandis qu'une autre personne trouvera que
c'est le genre

 est-il possible pour un système de recherche
d'informations de prendre en compte la
pertinence relative de la caractéristique?


2
contexte de l'étude


profil utilisateur

problématique  un système d'information est normalement personnalisé
contexte en créant un profil utilisateur pour chaque personne
 lors d'une recherche le système consulte ce profil afin
FTSem
de personnaliser ses réponses
étude 1  différentes manières de le créer et de le mettre à jour :
étude 2  en entrant des données explicitement (Gaush et al., 2003)
conclusions  par apprentissage automatique (DeLuca et al., 2005)
 en sauvegardant les opinions (Yu et al., 2004)
 en dialoguant (Krulwich, 1997)
 de nombreuses informations peuvent être enregistrées
 les données personnelles, le style cognitif ou d'apprentissage, les
données concernant le but, l'expérience du système et du domaine


préférences

problématique  les préférences “are multiple, heterogeneous,
contexte changing (and) even contradictory” (Vallet et
FTSem al., 2006)
étude 1  différentes classification existent :
étude 2  qualitative vs. quantitative (Chomicki, 2003)
 persistante vs. éphémère (Sugiyama et al., 2004)
conclusions  dure vs. douce (Berners-Lee et al., 2001)
 indépendante vs. prioritaire (Siberski et al., 2006)
 présente vs. positive vs. négative (Koutrika et al., 2005)
 présente vs. absente (Koutrika et al., 2005)
 exacte vs. élastique (Koutrika et al., 2005)
 bruyante vs. pertinente (Vallet et al., 2006)
 les préférences sont dépendantes du
contexte (Vallet et al., 2006)


3
FTSem : un système de recherche d'informations
personnalisées


introduction de FTSem

problématique  FTSem est un système sémantique de
contexte recherche d’information qui opère sur des
FTSem données structurées
intro  lors d’une requête FTSem cherche le résultat
requête le plus pertinent dans sa base de données
dist. pert.  il contient un profil pour chaque utilisateur
apprentis.  le profil utilisateur est consulté afin de trouver
étude 1 le résultat le plus pertinent
étude 2
conclusions Profil de Jack Acteur principal Genre
Niveau de pertinence Très pertinent Pertinent
Aime Arnold Schwarzenegger Action
N’aime pas Woody Allen Comédie


la requête

problématique  l’utilisateur effectue une requête [*, *, *, *]
contexte
FTSem  le système compare la requête a chaque
intro donnée en utilisant le profil utilisateur
requête
dist. pert.  afin de trouver la distance entre une requête
apprentis.
et une réponse nous devons d’abord trouver
étude 1 la distance pertinente entre leurs propres
étude 2 éléments
conclusions


distance pertinente

problématique  sachant que la pertinence d’une
contexte caractéristique est marquée sur une échelle à
FTSem 3 niveaux,
intro  très pertinent (r = 1), pertinent (r = 2) ou pas pertinent
(r = 3).
requête
dist. pert.
 la distance pertinente entre * et un paramètre,
dépend de l’intérêt de l’utilisateur pour ce
apprentis.
paramètre (goût, pertinence)
étude 1
étude 2
conclusions Profil de Jack Acteur principal Genre


distance pertinente
r=1 aime n'aime pas r=1
1 6 très pertinent (r = 1)
r=2 r=2 pertinent (r = 2)
r=3 r=3 pas pertinent (r = 3)
2 5

3 4

distance pertinente entre * et Arnold Schwarzenegger pour Jack = 1
distance pertinente entre * et Woody Allen pour Jack = 6
distance pertinente entre * et Action pour Jack = 2
distance pertinente entre * et Comédie pour Jack = 5

Profil de Jack Acteur principal Genre


distance pertinente
r=1 aime n'aime pas r=1
6 très pertinent (r = 1)
r=2 r=2 pertinent (r = 2)
r=3 r=3 pas pertinent (r = 3)
2 5

3 4

distance pertinente entre * et Arnold Schwarzenegger pour Jack = 1
distance pertinente entre * et Woody Allen pour Jack = 6
distance pertinente entre * et Action pour Jack = 2
distance pertinente entre * et Comédie pour Jack = 5

Profil de Jack Acteur principal Genre


distance pertinente

problématique  la distance entre la requête et la réponse est la
contexte somme des distances pertinentes entre chacun
FTSem des éléments
intro
 donc une requête, r, dans laquelle chaque
paramètre est, *, et chaque donnée, i = {f1, f2…fn},
requête
a pour distance totale entre ses éléments :
dist. pert.
total_distance(r, i) =
apprentis.
étude 1 ∑ relevant_distance(α ,distance(*, f ))
j j

 plus un paramètre apprécié est pertinent plus la
1≤ j<n
étude 2
distance est petite
conclusions
 plus un paramètre non aimé est pertinent plus la
distance est grande


apprentissage de valeurs
pertinentes
problématique  le système peut apprendre des valeurs
contexte pertinentes grâce a une liste ordonnée de
FTSem données et les goûts de l'utilisateur
intro
requête
dist. pert.
apprentis.
étude 1
étude 2
conclusions


apprentissage de valeurs pertinentes

ordre titre acteur principal genre
1 The Terminator Arnold Schwarzenegger action
2 Predator Arnold Schwarzenegger action
3 Terminator Time Arnold Schwarzenegger comedie
4 Kindergarten Cop Arnold Schwarzenegger comedie
5 Lone Terminator Woody Allen action
6 Rampant Sage Woody Allen action
7 Help a Terminator Woody Allen comedie
8 The Blues Woody Allen comedie

profil de Jack title acteur principal genre
niveau de pertinence

aime *Terminator* Arnold Schwarzenegger action
n'aimes pas *Love* Woody Allen comedie



4 Kindergarten Cop A comedie

niveau de pertinence plus pertinent





niveau de pertinence plus pertinent pertinent





niveau de pertinence moin pertinent plus pertinent pertinent



4
étude 1 : pertinence relative des caractéristiques


pertinence relative des
caractéristiques
problématique  personnaliser FTSem n'est utile que si les
contexte utilisateurs ont des opinions différentes sur
FTSem ces même caractéristiques
étude 1  une étude a été effectuée auprès d'individus
étude 2 afin de découvrir s'il y a une vraie variété
conclusions d’opinions dans ce domaine
 31 participants ont été recrutés
 chacun a reçu un questionnaire
• 26 caractéristiques de film (ex: titre, chaîne, etc.)
 nous avons demandé a chaque participant d’indiquer
le niveau de pertinence de chaque caractéristique
pour sélectionner le film qu'il souhaite regarder à la
télévision (pas pertinent, pertinent ou très pertinent).


caractéristiques
problématique  résultats
contexte  les 31 participants ont répondu (N= 31)
FTSem  chaque caractéristique a reçu une note en
étude 1 fonction de sa pertinence (pas pertinent = 0,
étude 2 pertinent = 1, très pertinent = 2)
conclusions


caractéristiques
 la pertinence générale est calculée (la majorité indique la même valeur)

Relevance Scores f Film Ch
or aracteristics

60
very relevant
50

40
relevant
30

20

10
not relevant
0

Characteristics


caractéristiques
problématique  les classements sont-ils différents pour
contexte chaque participant?
FTSem  51% de la pertinence classée par les participants
étude 1 est la même que la pertinence générale
étude 2  par conséquent si un système considère les
conclusions caractéristiques avec la même pertinence
pour tous les utilisateurs, au mieux, il pourra
prédire correctement 51% des opinions de
l’utilisateur
 les résultats confirment que la perception de
la pertinence des caractéristiques par les
utilisateurs varie considérablement lors de la
recherche d’un film


5
étude 2 : étude de l'évaluation de FTSem
personnalisé


étude de l'évaluation de
FTSem personnalisé
problématique  puisque les opinions des individus sur la
contexte pertinence des caractéristiques diffèrent nous
FTSem avons testé notre système pour voir s’il
étude 1 pouvait les exploiter
étude 2  une étude a été conduite :
conclusions  24 participants ont été recrutés
 les participants ont complété un questionnaire sur
ordinateur
• questionnaire portant sur 4 caractéristiques de films
(genre, chaîne, réalisateur et acteurs)


données de l'utilisateur

problématique utilisateur
contexte
FTSem
questionnaire
étude 1
étude 2
conclusions



contexte
FTSem
questionnaire
étude 1
étude 2
conclusions 3 listes de films profil utilisateur
(explicite)

exemples aimes pertinence des
et n'aimes pas caractéristiques
(explicite)



contexte
FTSem
questionnaire
étude 1
étude 2
(explicite)

3 listes de films
(ordonnées) exemples aimes pertinence des
(explicite)



contexte
FTSem
questionnaire
étude 1
étude 2
(explicite)

3 listes de films
(explicite)

3 listes de films
(ordonnées et
appréciées)


étude de l'évaluation de
FTSem personnalisé
problématique  étude réalisée :
contexte  FTSem personnalisé a été testé pour déterminer
FTSem dans quelle mesure il permettait de prédire l'ordre
des descriptions de films produites par les
étude 1 participants
étude 2  les valeurs du profil relatives à la pertinence ont été
conclusions fixées à l'aide de 2 méthodes :
• d'après des notations fournies explicitement par le
participant
• apprises en utilisant les listes ordonnées


données du système

contexte
FTSem
questionnaire
étude 1
étude 2
(explicite)

3 listes de films
(explicite)

3 listes de films
(ordonnées et
appréciées)


données du système

problématique
contexte profil utilisateur
(explicite)
FTSem
étude 1
étude 2 exemples aimes pertinence des
conclusions et n'aimes pas caractéristiques
(explicite)

pertinence des
3 listes de films
système caractéristiques
(ordonnées)
(appris)


étude à l'évaluation de
FTSem personnalisé
problématique  résultats :
contexte  22 participants sur 24 ont répondu à tout le
FTSem questionnaire (N=22)
étude 1  l'ordre des films qu'un participant ne veut pas
étude 2 voir est ignoré car il n'est pas significatif
conclusions  principaux tests :
• test de différents systèmes de scoring
• comparaison de la pertinence donnée
explicitement par les participants avec la
pertinence apprise


tests du système

problématique pertinence des
contexte caractéristiques
(explicite)
FTSem
3 listes de films
étude 1 (ordonnées par
exemples aimes
étude 2 et n'aimes pas utilisateur)

conclusions
système

3 listes de films
(pas ordonnées)

pertinence des
caractéristiques
(appris)


tests du système
3 système
de
scorings
(explicite)
FTSem
3 listes de films
exemples aimes

conclusions
système

3 listes de films 3 listes de films
(pas ordonnées) (ordonnées par
système)

pertinence des
caractéristiques
(appris)


tests du système

(explicite)
FTSem
3 listes de films
exemples aimes

conclusions
système

3 listes de films 3 listes de films
(pas ordonnées) (ordonnées par
système)

pertinence des
caractéristiques
(appris)
3 système
d'apprentissage
s


comparaison de systèmes de
scoring
problématique  résultats des test des systèmes de scoring (pour
contexte les pertinences données explicitement):
 scoring à 3 pas (pas pert., pert., très pert.)
FTSem  scoring à 4 pas (classement de 1 à 4)
étude 1  scoring à 12 pas (combinaison des deux précédents)
étude 2 Comparison of Scoring Systems for Perceived Relevance

conclusions
100%
90%
80%
70%
60% 3-Scale
50% 4-Scale
40% Combined Scale
30%
20%
10%
0%
1 (66) 2 (52) 3 (41) 4 (40) 5 (33) 6 (27)
Number of Results (Given in Number of Trials)


comparaison de résultats
d'apprentissages
problématique  résultats de la comparaison entre pertinence
contexte donnée explicitement et pertinence apprise :
FTSem  le système apprend le score de pertinence d'un
participant à partir d'une ou deux listes et prédit la
étude 1
troisième
étude 2
Learned Relevance Vs. Perceived Relevance
conclusions
100%

80%
P erceived Relevance
60% Learned from List 1
40% Learned from List 2
Learned from Lists 1 & 2
20%

0%
1 2 3 4
Number of Results


profil A acteur chaîne réalisateur genre
pertinence 5.5 11 0.5 3
aime Keanu Reeves M6 Steven Spielberg Fantastique
n'aime pas Woody Allen France 3 Abel Ferrara Erotique

profil B acteur chaîne réalisateur genre
pertinence 2.5 11 3 5.5
aime Brad Pitt France 2 Tim Burton Sci-fi
n'aime pas Tom Cruise TF1 James Cameron Romance

six films ordonnés par participant A
Ordre acteur chaîne réalisateur genre Score A Score B
Donnée
1 Keanu Reeves M6 Steven Spielberg Fantastique 20 22
2 Keanu Reeves France 3 Steven Spielberg Fantastique 21 23
3 Woody Allen M6 Steven Spielberg Fantastique 32 40
4 Woody Allen France 3 Steven Spielberg Fantastique 33 41
9 Keanu Reeves M6 Steven Spielberg Erotique 37 34
10 Keanu Reeves France 3 Steven Spielberg Erotique 38 35


profil A acteur chaîne réalisateur genre
pertinence 5.5 11 0.5 3
aime Keanu Reeves M6 Steven Spielberg Fantastique
n'aime pas Woody Allen France 3 Abel Ferrara Erotique

profil B acteur chaîne réalisateur genre
pertinence 2.5 11 3 5.5
aime Brad Pitt France 2 Tim Burton Sci-fi
n'aime pas Tom Cruise TF1 James Cameron Romance

six films ordonnés par participant B
Ordre acteur chaîne réalisateur genre Score A Score B
Donnée
1 Brad Pitt France 2 Tim Burton Sci-fi 20 22
2 Brad Pitt France 2 Tim Burton Fantastique 37 34
3 Brad Pitt TF1 Tim Burton Sci-fi 21 23
4 Brad Pitt TF1 Tim Burton Fantastique 38 35
5 Tom Cruise France 2 Tim Burton Sci-fi 32 40
6 Tom Cruise TF1 Tim Burton Sci-fi 33 41


étude à l'évaluation de
FTSem personnalisé
problématique  le FTSem personnalisé peut-il exploiter la
contexte pertinence des caractéristiques pour
FTSem améliorer ses résultats ?
étude 1  oui. l'ordre des films peut être amélioré en
étude 2 prenant en compte la pertinence des
conclusions caractéristiques :
 plus la granularité de l'échelle est fine, plus les
résultats sont bons
 plus il y a de données apprises, plus les résultats
sont bons
 l'apprentissage de la pertinence des caractéristiques
permet de meilleurs résultats que l'utilisation d'une
pertinence des caractéristiques fournies
explicitement


6
conclusions


conclusions

problématique  les individus considèrent que les
contexte caractéristiques ont des degrés de pertinence
FTSem différents.
étude 1  un système peut le prendre en compte et
étude 2 ainsi améliorer sa réponse à la requête
conclusions  la connaissance de la pertinence des
caractéristiques pour un utilisateur donné
peut permettre au système de personnaliser
ses réponses pour cet utilisateur


Fin

 Merci de votre attention.


Etude de la pertinence de critères de recherche en recherche d'informations sur des données structurées

Recommandé

Recommandé

Contenu connexe

En vedette

En vedette (20)

Plus de Kris Jack

Plus de Kris Jack (17)

Etude de la pertinence de critères de recherche en recherche d'informations sur des données structurées