De nos jours, avec l’avènement du e-commerce et la disponibilité de données massives, le besoin d’apprentissage des préférences pour personnaliser des réponses à des requêtes et effectué des recommandations ciblées est un challenge. Ces dernières dé- cennies, beaucoup des recherches se font dans ce sens pour mettre en place une approche efficace. Dans ce contexte, nous présentons dans ce travail une méthode inspiré des approches définit dans [13, 10] et de l’extraction des motifs séquentielles afin de générer des règles de préférences contextuelles complexes et expressives. L’approche que nous avons proposé est constitué de deux phases : (1) une phase d’extraction des règles de préférences suivant la contrainte de seuil minimum de confiance, (2) une phase de génération des règles de préférences composées partant de la phase (1). Nous avons évalué notre notre approche sur trois jeux de données, à savoir le jeux de données des antibiotiques, le jeux de données des films construit à partir MovieLens et IMDB, et jeux de données d’évaluation des voitures et les résultats expérimentaux ont montré que les modèles de préférences construits peut prédire entre deux instances données laquelle est la plus préférée par les utilisateurs.
Readership Map
Content Distribution
De nos jours, avec l’avènement du e-commerce et la disponibilité de données massives, le besoin d’apprentissage des préférences pour personnaliser des réponses à des requêtes et effectué des recommandations ciblées est un challenge. Ces dernières dé- cennies, beaucoup des recherches se font dans ce sens pour mettre en place une approche efficace. Dans ce contexte, nous présentons dans ce travail une méthode inspiré des approches définit dans [13, 10] et de l’extraction des motifs séquentielles afin de générer des règles de préférences contextuelles complexes et expressives. L’approche que nous avons proposé est constitué de deux phases : (1) une phase d’extraction des règles de préférences suivant la contrainte de seuil minimum de confiance, (2) une phase de génération des règles de préférences composées partant de la phase (1). Nous avons évalué notre notre approche sur trois jeux de données, à savoir le jeux de données des antibiotiques, le jeux de données des films construit à partir MovieLens et IMDB, et jeux de données d’évaluation des voitures et les résultats expérimentaux ont montré que les modèles de préférences construits peut prédire entre deux instances données laquelle est la plus préférée par les utilisateurs.
