Implémentation et évaluation des modèles de recommandation basés sur le machine et deep learning.
| dc.contributor.author | Biri, Lydia | |
| dc.contributor.author | Guemat, Yasmine | |
| dc.date.accessioned | 2021-03-28T10:31:38Z | |
| dc.date.available | 2021-03-28T10:31:38Z | |
| dc.date.issued | 2020 | |
| dc.description | 74 p. : ill. ; 30 cm. (+ CD-Rom) | en |
| dc.description.abstract | En travaillant aujourd’hui avec la grande quantité des données disponibles sur Internet, les systèmes de recommandation aident les utilisateurs à filtrer le contenu pertinent à partir de la grande masse d’informations disponibles et jouent un rôle essentiel dans les applications Internet d’aujourd’hui. Le filtrage collaboratif (FC) est l'une des techniques les plus utilisées pour concevoir des systèmes de recommandation. Cette technique recommande un nouveau contenu aux utilisateurs en fonction des préférences de l'utilisateur et des utilisateurs similaires. Cependant, les techniques actuelles de FC présentent certaines lacunes, ce qui affecte négativement la performance des modèles de recommandation. Ces dernières années, l'apprentissage profond (deep learning) a remporté un grand succès dans le traitement du langage naturel, la vision par ordinateur et la reconnaissance vocale. Cependant, l'utilisation de deep learning dans le domaine de la recommandation est relativement nouvelle. Dans ce travail, nous abordons les lacunes du filtrage collaboratif en utilisant des techniques de réseaux de neurones profonds. Le produit interne est remplacé par une architecture de réseau neuronal, qui apprend une fonction d'interaction utilisateur-item à partir de données. Des expériences approfondies sur un ensemble de données démontrent les améliorations apportées par le modèle de filtrage collaboratif neuronal (NCF) par rapport aux techniques de filtrage collaboratif populaires existantes (les k voisins les plus proches KNN, le classement bayésien personnalisé BPR). Des preuves empiriques montrent que les modèles de recommandation basés sur l'apprentissage profond ont de meilleures performances. | en |
| dc.identifier.citation | Ingénierie des systèmes d’information. | en |
| dc.identifier.other | MAST.INF.51-20 | |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/13147 | |
| dc.language.iso | fr | en |
| dc.publisher | Université Mouloud Mammeri | en |
| dc.subject | Deep learning; | en |
| dc.subject | Apprentissage profond; | en |
| dc.subject | Les reseaux de neurones; | en |
| dc.subject | Machine learning | en |
| dc.subject | Apprentissage automatique; | en |
| dc.subject | Systemes de recommandation; | en |
| dc.subject | Filtrage collaboratif; | en |
| dc.subject | K plus proche voisin (KNN); | en |
| dc.subject | Le classement personnalise bayesien (BPR); | en |
| dc.subject | Filtrage. | en |
| dc.title | Implémentation et évaluation des modèles de recommandation basés sur le machine et deep learning. | en |
| dc.type | Thesis | en |