SlideShare une entreprise Scribd logo
1  sur  33
Télécharger pour lire hors ligne
Centre UniversitaireAin Temouchnet
Système de recommandation de livre
Réalisé par :
Supervisé par:
par
:
1
2017/2018
• Introduction
• Les types de système de recommandation
• Les techniques de système de recommandation
• Etat de l’art
• Les avantages et les inconvénients
• Implémentation et évaluation
• Conclusion et perspectives
2
2017/2018
 Les systèmes de recommandation est né a partir la très grand masse disponible sur internet
.
 L’intérêt de SR est l’
orientation rapide vers les éléments les plus pertinents,
réduire le temps de recherche,
et améliorer l’expérience de l’utilisateur.
 Le problème que nous traitons dans ce mini projet, est la surcharge des livres.
 Notre but est donc d’aider l’utilisateur à choisir le livre qui lui convient le mieux en se
basant sur ses préférences.
3
2017/2018
 Ce type de recommandation se réfère aux comportements passés des utilisateurs pour
recommander le contenu à des nouveaux utilisateurs dans le système et ayant des intérêts
similaires.
 Ce type de recommandation vise à recommander du contenu (des objets) à base d’une
analyse des descriptions et des caractéristiques des éléments précédemment notés par un
utilisateur.
 Construction un modèle ou un profil des intérêts des utilisateurs sur la base des
caractéristiques des objets notés par l’utilisateur.
4
2017/2018
 Proposer à l’utilisateur une sélection de ressources en fonction d’un profil construit de
manière dynamique.
 Son but est de résoudre les problèmes engendrés par chacune des approches utilisées
séparément.
5
2017/2018
 Le filtrage collaboratif se base sur le principe qui dit qu’on devrait pouvoir se servir de ce que
les autres ont déjà trouvé et évalué pour trouver ce que nous cherchons.
 L’idée derrière le filtrage collaboratif utilisateur consiste à trouver des utilisateurs qui
ont des goûts similaires à l’utilisateur cible
 On calcule la ressemblance de deux éléments en se basant sur les notes données par
les utilisateurs
6
2017/2018
 s'appuie sur le contenu des documents (thèmes abordés) pour les comparer à un
profil lui-même constitué de thèmes.
 L’utilisation de contraintes spécifiant les exigences des utilisateurs.
7
2017/2018
 Les calculs sont simples, les résultats sont faciles à expliquer .
 On peut travailler toujours à partir d’une base constamment mise à jour.
 Parcourir la base à chaque recommandation à effectuer pour identifier le voisinage
est couteux.
 Quand il ya trop de données manquantes (au démarrage du système notamment),
problème d’estimation .
 L’absence d’une note peut signifier une opinion .
8
2017/2018
 Une liste de recommandations peut être générée même s’il ya qu’un seul
utilisateur .
 La qualité croit avec le temps.
 Pas besoin d’information sur les autres utilisateurs.
 Prendre en considération le goût unique des utilisateurs.
 Pas besoin d’une large communauté d’utilisateurs pour pouvoir effectuer des
recommandations .
9
2017/2018
 L’analyse du contenu est nécessaire pour faire une recommandation.
 Le problème de recommandations des images des vidéos en absence de méta
données.
 Nécessite du profil d’utilisateur .
10
2017/2018
 Prendre en considération les contraintes que l’utilisateur saisi.
 Le système serait limité même si la valeur est à peu prés équivalente à la valeur que
l’utilisateur a saisie
11
2017/2018
 Amazon combine trois approches : recommandation personnalisée ,
recommandation sociale, recommandation objet.
 Google de son côté mixe les trois approches : recommandation personnalisée ,
recommandation sociale, recommandation objet.
 Pandora utilise principalement une approche de recommandation objet
 cette conception utilise une approche Personalisé
12
2017/2018
13
2017/2018
 Environnement de développement netbeans .
 le langage java .
 Le Pattern MVC.
 Base de donnée
2017/2018 14
DIAGRAMMES
2017/2018 15
Implémentation et évaluation
2017/2018 16
2017/2018 17
Implémentation et évaluation
2017/2018 18
Implémentation et évaluation
2017/2018 19
Implémentation et évaluation
2017/2018 20
Implémentation et évaluation
2017/2018 21
Implémentation et évaluation
 Dans notre application, nous avons utilisé le filtrage hybride (filtrage à base de
contenu et filtrage collaboratif basé sur les items).
 On a calculer la similarité entre les items avec une fonction de similarité ‘ Corrélation de
Pearson ’
 avons procédé à une comparaison entre le titre que l’utilisateur a saisi et les
titres de la base de données pour extraire une liste de livre
2017/2018 22
Implémentation et évaluation
2017/2018 23
Implémentation et évaluation
id moyenne html1
5 6 7
37 5 10
63 6.2 0

(4-5)(7-6)+(4-5)(10-5)+(4-5)(0-6.2)
Id Moyenne html
2 5 4
√ (4-5)²+(4-5)²+(4-5)² * √(7-6)²+(10-5)²+(0-6.2)²
2017/2018 24
APPLICATION
2017/2018 25
Implémentation et évaluation
2017/2018 26
Implémentation et évaluation
2017/2018 27
Implémentation et évaluation
2017/2018 28
Implémentation et évaluation
2017/2018 29
Implémentation et évaluation
2017/2018 30
Implémentation et évaluation
2017/2018 31
 Problème de cold Start .
 Problème de nouveau livre.
 En premier lieu, nous souhaitons de combiner trois approches de recommandation.
recommandation personnalisée, recommandation objet recommandation sociale
 Et en second lieu, nous envisageons d’intégrer la confiance dans notre système de
recommandation
2017/2018 32
2017/2018 33

Contenu connexe

Similaire à PFC L3 2018.pptx

Présentation Inter Ligere Icc2009
Présentation Inter Ligere Icc2009Présentation Inter Ligere Icc2009
Présentation Inter Ligere Icc2009Inter-Ligere
 
Rentrer dans la tête de vos utilisateurs grâce aux statistiques de fréquentation
Rentrer dans la tête de vos utilisateurs grâce aux statistiques de fréquentationRentrer dans la tête de vos utilisateurs grâce aux statistiques de fréquentation
Rentrer dans la tête de vos utilisateurs grâce aux statistiques de fréquentation:ratio
 
1. Introduction à l'Expérience utilisateur
1. Introduction à l'Expérience utilisateur1. Introduction à l'Expérience utilisateur
1. Introduction à l'Expérience utilisateurLaurent Barbat
 
Web Analytics : L’importance de la collecte et de l’analyse de données pour v...
Web Analytics : L’importance de la collecte et de l’analyse de données pour v...Web Analytics : L’importance de la collecte et de l’analyse de données pour v...
Web Analytics : L’importance de la collecte et de l’analyse de données pour v...AQT-presentations
 
Learning analytics, projet Hubble
Learning analytics, projet HubbleLearning analytics, projet Hubble
Learning analytics, projet HubbleVanda Luengo
 
Analyse conportementale_Web_2010
Analyse conportementale_Web_2010Analyse conportementale_Web_2010
Analyse conportementale_Web_2010dlefebvre69
 
Datajob 2013 - Construire un système de recommandation
Datajob 2013 - Construire un système de recommandationDatajob 2013 - Construire un système de recommandation
Datajob 2013 - Construire un système de recommandationDjamel Zouaoui
 
Système de recommandations de films
Système de recommandations de filmsSystème de recommandations de films
Système de recommandations de filmsIbn Tofail University
 
Introduction à l'ergonomie - Drupal Lyon
Introduction à l'ergonomie - Drupal LyonIntroduction à l'ergonomie - Drupal Lyon
Introduction à l'ergonomie - Drupal LyonOlivier Lorrain
 
La clé du succès d'un site web : l'analyse comportementale de l'utilisateur
La clé du succès d'un site web : l'analyse comportementale de l'utilisateurLa clé du succès d'un site web : l'analyse comportementale de l'utilisateur
La clé du succès d'un site web : l'analyse comportementale de l'utilisateurValtech Canada
 
Analyse comportemental_2010
Analyse comportemental_2010Analyse comportemental_2010
Analyse comportemental_2010guest5e563bc
 
Comment réussir sa stratégie de contenu grâce à la data SEO
Comment réussir sa stratégie de contenu grâce à la data SEOComment réussir sa stratégie de contenu grâce à la data SEO
Comment réussir sa stratégie de contenu grâce à la data SEOSemrush France
 
ADDIE : Modèle d'ingénierie pédagogique
 ADDIE : Modèle d'ingénierie pédagogique ADDIE : Modèle d'ingénierie pédagogique
ADDIE : Modèle d'ingénierie pédagogiqueyazbekfarah
 
Ipsos views - La jungle des données
Ipsos views - La jungle des donnéesIpsos views - La jungle des données
Ipsos views - La jungle des donnéesIpsos France
 
Projets collaboratifs : les benefices pour votre entreprise
Projets collaboratifs : les benefices pour votre entrepriseProjets collaboratifs : les benefices pour votre entreprise
Projets collaboratifs : les benefices pour votre entrepriseIdeo - Groupe Netapsys
 
La Recommandation Personnalisée - YouScribe par Lucie Soureillat
La Recommandation Personnalisée - YouScribe par Lucie SoureillatLa Recommandation Personnalisée - YouScribe par Lucie Soureillat
La Recommandation Personnalisée - YouScribe par Lucie SoureillatLabo de l'édition
 
L'analytics pour les publishers conférence aadf
L'analytics pour les publishers   conférence aadfL'analytics pour les publishers   conférence aadf
L'analytics pour les publishers conférence aadfPrénom Nom de famille
 
Analyser les données Analytics de mon site
Analyser les données Analytics de mon siteAnalyser les données Analytics de mon site
Analyser les données Analytics de mon siteConcept Image
 

Similaire à PFC L3 2018.pptx (20)

Présentation Inter Ligere Icc2009
Présentation Inter Ligere Icc2009Présentation Inter Ligere Icc2009
Présentation Inter Ligere Icc2009
 
Rentrer dans la tête de vos utilisateurs grâce aux statistiques de fréquentation
Rentrer dans la tête de vos utilisateurs grâce aux statistiques de fréquentationRentrer dans la tête de vos utilisateurs grâce aux statistiques de fréquentation
Rentrer dans la tête de vos utilisateurs grâce aux statistiques de fréquentation
 
1. Introduction à l'Expérience utilisateur
1. Introduction à l'Expérience utilisateur1. Introduction à l'Expérience utilisateur
1. Introduction à l'Expérience utilisateur
 
Web Analytics : L’importance de la collecte et de l’analyse de données pour v...
Web Analytics : L’importance de la collecte et de l’analyse de données pour v...Web Analytics : L’importance de la collecte et de l’analyse de données pour v...
Web Analytics : L’importance de la collecte et de l’analyse de données pour v...
 
presentationdecide.pptx
presentationdecide.pptxpresentationdecide.pptx
presentationdecide.pptx
 
Les systèmes de recommandations
Les systèmes de recommandationsLes systèmes de recommandations
Les systèmes de recommandations
 
Learning analytics, projet Hubble
Learning analytics, projet HubbleLearning analytics, projet Hubble
Learning analytics, projet Hubble
 
Analyse conportementale_Web_2010
Analyse conportementale_Web_2010Analyse conportementale_Web_2010
Analyse conportementale_Web_2010
 
Datajob 2013 - Construire un système de recommandation
Datajob 2013 - Construire un système de recommandationDatajob 2013 - Construire un système de recommandation
Datajob 2013 - Construire un système de recommandation
 
Système de recommandations de films
Système de recommandations de filmsSystème de recommandations de films
Système de recommandations de films
 
Introduction à l'ergonomie - Drupal Lyon
Introduction à l'ergonomie - Drupal LyonIntroduction à l'ergonomie - Drupal Lyon
Introduction à l'ergonomie - Drupal Lyon
 
La clé du succès d'un site web : l'analyse comportementale de l'utilisateur
La clé du succès d'un site web : l'analyse comportementale de l'utilisateurLa clé du succès d'un site web : l'analyse comportementale de l'utilisateur
La clé du succès d'un site web : l'analyse comportementale de l'utilisateur
 
Analyse comportemental_2010
Analyse comportemental_2010Analyse comportemental_2010
Analyse comportemental_2010
 
Comment réussir sa stratégie de contenu grâce à la data SEO
Comment réussir sa stratégie de contenu grâce à la data SEOComment réussir sa stratégie de contenu grâce à la data SEO
Comment réussir sa stratégie de contenu grâce à la data SEO
 
ADDIE : Modèle d'ingénierie pédagogique
 ADDIE : Modèle d'ingénierie pédagogique ADDIE : Modèle d'ingénierie pédagogique
ADDIE : Modèle d'ingénierie pédagogique
 
Ipsos views - La jungle des données
Ipsos views - La jungle des donnéesIpsos views - La jungle des données
Ipsos views - La jungle des données
 
Projets collaboratifs : les benefices pour votre entreprise
Projets collaboratifs : les benefices pour votre entrepriseProjets collaboratifs : les benefices pour votre entreprise
Projets collaboratifs : les benefices pour votre entreprise
 
La Recommandation Personnalisée - YouScribe par Lucie Soureillat
La Recommandation Personnalisée - YouScribe par Lucie SoureillatLa Recommandation Personnalisée - YouScribe par Lucie Soureillat
La Recommandation Personnalisée - YouScribe par Lucie Soureillat
 
L'analytics pour les publishers conférence aadf
L'analytics pour les publishers   conférence aadfL'analytics pour les publishers   conférence aadf
L'analytics pour les publishers conférence aadf
 
Analyser les données Analytics de mon site
Analyser les données Analytics de mon siteAnalyser les données Analytics de mon site
Analyser les données Analytics de mon site
 

PFC L3 2018.pptx

  • 1. Centre UniversitaireAin Temouchnet Système de recommandation de livre Réalisé par : Supervisé par: par : 1 2017/2018
  • 2. • Introduction • Les types de système de recommandation • Les techniques de système de recommandation • Etat de l’art • Les avantages et les inconvénients • Implémentation et évaluation • Conclusion et perspectives 2 2017/2018
  • 3.  Les systèmes de recommandation est né a partir la très grand masse disponible sur internet .  L’intérêt de SR est l’ orientation rapide vers les éléments les plus pertinents, réduire le temps de recherche, et améliorer l’expérience de l’utilisateur.  Le problème que nous traitons dans ce mini projet, est la surcharge des livres.  Notre but est donc d’aider l’utilisateur à choisir le livre qui lui convient le mieux en se basant sur ses préférences. 3 2017/2018
  • 4.  Ce type de recommandation se réfère aux comportements passés des utilisateurs pour recommander le contenu à des nouveaux utilisateurs dans le système et ayant des intérêts similaires.  Ce type de recommandation vise à recommander du contenu (des objets) à base d’une analyse des descriptions et des caractéristiques des éléments précédemment notés par un utilisateur.  Construction un modèle ou un profil des intérêts des utilisateurs sur la base des caractéristiques des objets notés par l’utilisateur. 4 2017/2018
  • 5.  Proposer à l’utilisateur une sélection de ressources en fonction d’un profil construit de manière dynamique.  Son but est de résoudre les problèmes engendrés par chacune des approches utilisées séparément. 5 2017/2018
  • 6.  Le filtrage collaboratif se base sur le principe qui dit qu’on devrait pouvoir se servir de ce que les autres ont déjà trouvé et évalué pour trouver ce que nous cherchons.  L’idée derrière le filtrage collaboratif utilisateur consiste à trouver des utilisateurs qui ont des goûts similaires à l’utilisateur cible  On calcule la ressemblance de deux éléments en se basant sur les notes données par les utilisateurs 6 2017/2018
  • 7.  s'appuie sur le contenu des documents (thèmes abordés) pour les comparer à un profil lui-même constitué de thèmes.  L’utilisation de contraintes spécifiant les exigences des utilisateurs. 7 2017/2018
  • 8.  Les calculs sont simples, les résultats sont faciles à expliquer .  On peut travailler toujours à partir d’une base constamment mise à jour.  Parcourir la base à chaque recommandation à effectuer pour identifier le voisinage est couteux.  Quand il ya trop de données manquantes (au démarrage du système notamment), problème d’estimation .  L’absence d’une note peut signifier une opinion . 8 2017/2018
  • 9.  Une liste de recommandations peut être générée même s’il ya qu’un seul utilisateur .  La qualité croit avec le temps.  Pas besoin d’information sur les autres utilisateurs.  Prendre en considération le goût unique des utilisateurs.  Pas besoin d’une large communauté d’utilisateurs pour pouvoir effectuer des recommandations . 9 2017/2018
  • 10.  L’analyse du contenu est nécessaire pour faire une recommandation.  Le problème de recommandations des images des vidéos en absence de méta données.  Nécessite du profil d’utilisateur . 10 2017/2018
  • 11.  Prendre en considération les contraintes que l’utilisateur saisi.  Le système serait limité même si la valeur est à peu prés équivalente à la valeur que l’utilisateur a saisie 11 2017/2018
  • 12.  Amazon combine trois approches : recommandation personnalisée , recommandation sociale, recommandation objet.  Google de son côté mixe les trois approches : recommandation personnalisée , recommandation sociale, recommandation objet.  Pandora utilise principalement une approche de recommandation objet  cette conception utilise une approche Personalisé 12 2017/2018
  • 13. 13 2017/2018  Environnement de développement netbeans .  le langage java .  Le Pattern MVC.  Base de donnée
  • 21. 2017/2018 21 Implémentation et évaluation  Dans notre application, nous avons utilisé le filtrage hybride (filtrage à base de contenu et filtrage collaboratif basé sur les items).  On a calculer la similarité entre les items avec une fonction de similarité ‘ Corrélation de Pearson ’  avons procédé à une comparaison entre le titre que l’utilisateur a saisi et les titres de la base de données pour extraire une liste de livre
  • 23. 2017/2018 23 Implémentation et évaluation id moyenne html1 5 6 7 37 5 10 63 6.2 0  (4-5)(7-6)+(4-5)(10-5)+(4-5)(0-6.2) Id Moyenne html 2 5 4 √ (4-5)²+(4-5)²+(4-5)² * √(7-6)²+(10-5)²+(0-6.2)²
  • 31. 2017/2018 31  Problème de cold Start .  Problème de nouveau livre.  En premier lieu, nous souhaitons de combiner trois approches de recommandation. recommandation personnalisée, recommandation objet recommandation sociale  Et en second lieu, nous envisageons d’intégrer la confiance dans notre système de recommandation

Notes de l'éditeur

  1. C’est ici que vous dites que nous avons utilisé deux méthodes pour le calcul de la recommandation (filtrage à base de contenu et filtrage collaboratif base sur les items ) : vous le dites sans l’ecrire