Both literature and practice have looked at different strategies to diminish healthcare associated costs. As an extension to this stream of research, the present three paper dissertation addresses the issue of reducing elevated healthcare costs using analytics. The first paper looks at extending the benefits of auditing algorithms from mere detection of fraudulent providers to maximizing the deterrence from inappropriate behavior. Using the structure of the physicians' network, a new auditing algorithm is developed. Evaluation of the algorithm is performed using an agent-based simulation and an analytical model. A case study is also included to illustrate the application of the algorithm in the warranty domain. The second paper relies on experimental data to build a personalized medical recommender system geared towards re-enforcing price-sensitive prescription behavior. The study analyzes the impact of time pressure, and procedure cost and prescription prevalence/popularity on the physicians' use of the system's recommendations. The third paper investigates the relationship between patients' compliance and healthcare costs. The study includes a survey of the literature along with a longitudinal analysis of patients' data to determine factors leading to patients' non-compliance, and ways to alleviate it.

Detaljhandeln i fysiska butiker är utsatt av konkurrens från en betydligt mer innovationsrik e-handel och har därför ett behov av att vidareutvecklas. Ett sätt för detaljhandeln att utvecklas är att utnyttja tekniker som visats fungera bra inom e-handeln. Rekommendationssystem som ger rekommendationer till sina användare har nått stora framgångar och används av i stort sett alla företag inom e-handeln. Den mest använda tekniken för att ta fram rekommendationer kallas för collaborative filtering. Inom detaljhandel används dock inte detta i någon större utsträckning. Det finns därför förhållandevis lite kunskap om vad kunder anser om rekommendationer i butik. Syftet med studien är därför att utvärdera hur ett rekommendationssystem baserat på collaborative filtering presterar i en fysisk butik. Utvärderingen sker genom att mäta träffsäkerheten på rekommendationerna kunder får i en butik samt vad kunderna anser om dessa. Studien ämnar även att ta reda på hur kunder förhåller sig till automatiska rekommendationer i butik. I studien används två forskningsmetodiker för att uppnå dess forskningsmål. Design science har tillämpats för att utvärdera hur ett rekommendationssystem baserat på collaborative filtering presterar i en fysisk butik. En prototyp baserat på collaborative filtering utvecklades för att generera rekommendationer. Prototypen användes sedan i ett användartest som genomfördes i en butiksmiljö. För att belysa hur kunder förhåller sig till automatiska rekommendationer i butik användes en enkätundersökning som utfördes i samband med studiens användartest. Studiens resultat visar att prototypen gav rekommendationer med en hög träffsäkerhet där deltagarna upplevde rekommendationerna som bra och relevanta. Resultaten visar även att deltagarna i studien var positivt inställda till att få rekommendationer i butik. Detta leder till slutsatsen att rekommendationssystem baserat på collaborative filtering kan prestera väl i butiker vilket ger en indikation om att detta kan vara ett sätt för butiker att vidareutveckla handeln. / Retail stores are challenged by competition from the more innovative retailers in e-commerce and thus needs to adapt and evolve in order to stay competitive. This could be accomplished by using technology which has been proven successful in e-commerce. Recommender systems that produces recommendations to its users has been used successfully and is used by essentially all businesses involved in e-commerce. The most common method employed in these recommender systems is called collaborative filtering. Recommender systems have however not yet found its way into retail stores to a greater extent. This has led to a gap in knowledge regarding customer’s opinions of recommendations in retail stores. The purpose of this study is therefore to evaluate how recommender system based on collaborative filtering performs when used in retail stores. The evaluation is performed by measuring the accuracy of the recommendations a customer receives in a retail store as well as what the customer thinks of the recommendation. This study also intends to explore and shed light on people’s opinions concerning automatic recommendations in retail stores. Two different research methods have been used in this study. Design science is being used in order to evaluate how a recommender system based on collaborative filtering performs when used in retail stores. A prototype based on collaborative filtering was developed in order to generate recommendations. The prototype was then used in a user-test taking place in a retail-like environment. In order to shed light on people’s opinions regarding automatic recommendations in retail stores a questionnaire was handed out to the participants in conjunction with the user-test. The results of the study show that the prototype could produce high accuracy recommendations where the participants perceived the recommendations as good and relevant. The results also show that the participants of the study have positive attitude and were in favor of receiving automatic recommendations in retail stores. This leads to the conclusion that recommendations based on collaborative filtering could indeed perform well in retail stores. This indicates that recommender systems using collaborative filtering is one possible way for retail stores to evolve their business.

Recommendations are becoming more and more important in a world where there is an abundance of possible choices and e-commerce and content providers are featuring recommendations prominently. Recommendations based on explicit feedback, where user is giving feedback for example with ratings, has been a popular research subject. Implicit feedback recommender systems which passively collects information about the users is an area growing in interest. It makes it possible to generate recommendations based purely from a user's interactions history without requiring any explicit input from the users, which is commercially useful for a wide area of businesses. This thesis builds a recommender system based on implicit feedback using the recommendation algorithms katz-eig and link-analysis and analyzes and implements strategies for learning optimized parameters for different datasets. The resulting system forms the foundation for Comordo Technologies' commercial recommender system. / Rekommendationer blir viktigare och viktigare i en värld där det finns ett överflöd av möjliga val och där e-handel och innehållsleverantörer använder rekommendationer flitigt. Rekommendationer baserad på explicit återkoppling, där användare ger återkoppling med till exempel betyg, har varit ett populärt forskningsområde. Rekommendationssystem med implicit återkoppling som passivt samlar in information om användarna är ett område som blir mer och mer intressant. Det gör det möjligt att generera rekommendationer endast baserat på en användares interaktionshistoria utan krav på explicit input från användarna, vilket är kommersiellt användbart för en rad olika versamheter. Den här uppsatsen bygger ett rekommendationssystem med implicit återkoppling med rekommendationsalgoritmerna katz-eig och link-analysis och analyserar och implementerar optimeringsstrategier för inlärning av optimerade parameterar för olika dataset. Systemet lägger grunden för Comordo Technologies kommersiella rekommendationssystem.

This diploma thesis is focused on content personalization and specifically on recommender systems. The aim of the thesis is to propose a methodology of recommender system implementation in e-commerce using the IT tool Soyka. Functions of personalization tools which directly support recommender systems are identified on the basis of a theoretical description of recommender systems and their technological approaches. Based on these identified functions the tool Soyka is classified. The main contribution of the thesis is the created and published methodology which is ready to be used on real implementation projects by anyone involved.

Due to the growth of online shopping and services, various types of products can be recommended to an individual. After reviewing the current methods for cross-domain recommendations, we believe that there is a need to make different types of recommendations by relying on a common base, and that it is better to depend on a target customer’s information when building the base, because the customer is the one common element in all the purchases. Therefore, we suggest a recommender system (RS) that develops a personality profile for each product, and represents items by an aggregated vector of personality features of the people who have liked the items. We investigate two ways to build personality profiles for items (IPPs). The first way is called average-based IPPs, which represents each item with five attributes that reflect the average Big Five Personality values of the users who like it. The second way is named proportion-based IPPs, which consists of 15 attributes that aggregate the number of fans who have high, average and low Big Five values. The system functions like an item-based collaborative filtering recommender; that is, it recommends items similar to those the user liked. Our system demonstrates the highest recommendation quality in providing cross-domain recommendations, compared to traditional item-based collaborative filtering systems and content-based recommenders.

L'objectif principal de la thèse est de proposer une méthode de recommandation prenant en compte la vie privée des utilisateurs ainsi que l'évolutivité du système. Pour atteindre cet objectif, une technique hybride basée sur le filtrage par contenu et le filtrage collaboratif est utilisée pour atteindre un modèle précis de recommandation, sous la pression des mécanismes visant à maintenir la vie privée des utilisateurs. Les contributions de la thèse sont trois : Tout d'abord, un modèle de filtrage collaboratif est défini en utilisant agent côté client qui interagit avec l'information sur les éléments, cette information est stockée du côté du système de recommandation. Ce modèle est augmenté d’un modèle hybride qui comprend une stratégie basée sur le filtrage par contenu. En utilisant un modèle de la connaissance basée sur des mots clés qui décrivent le domaine de l'article filtré, l'approche hybride augmente la performance de prédiction des modèles sans élever l’effort de calcul, dans un scenario du réglage de démarrage à froid. Finalement, certaines stratégies pour améliorer la protection de la vie privée du système de recommandation sont introduites : la génération de bruit aléatoire est utilisée pour limiter les conséquences éventuelles d'une attaque lorsque l'on observe en permanence l'interaction entre l'agent côté client et le serveur, et une stratégie basée sur la liste noire est utilisée pour s’abstenir de révéler au serveur des interactions avec des articles que l'utilisateur considère comme pouvant transgresser sa vie privée. L'utilisation du modèle hybride atténue l'impact négatif que ces stratégies provoquent sur la performance prédictive des recommandations. / The main objective of this thesis is to propose a recommendation method that keeps in mind the privacy of users as well as the scalability of the system. To achieve this goal, an hybrid technique using content-based and collaborative filtering paradigms is used in order to attain an accurate model for recommendation, under the strain of mechanisms designed to keep user privacy, particularly designed to reduce the user exposure risk. The thesis contributions are threefold : First, a Collaborative Filtering model is defined by using client-side agent that interacts with public information about items kept on the recommender system side. Later, this model is extended into an hybrid approach for recommendation that includes a content-based strategy for content recommendation. Using a knowledge model based on keywords that describe the item domain, the hybrid approach increases the predictive performance of the models without much computational effort on the cold-start setting. Finally, some strategies to improve the recommender system's provided privacy are introduced: Random noise generation is used to limit the possible inferences an attacker can make when continually observing the interaction between the client-side agent and the server, and a blacklisted strategy is used to refrain the server from learning interactions that the user considers violate her privacy. The use of the hybrid model mitigates the negative impact these strategies cause on the predictive performance of the recommendations.

Cette thèse présente les résultats d'un projet de recherche multidisciplinaire (Agorantic) sur les systèmes de recommandation. Le but de ce travail était de proposer de nouvelles fonctionnalités qui peuvent rendre les systèmes de recommandations (RS) plus attrayants que ceux existants. Nous proposons également une nouvelle approche et une réflexion sur l'évaluation. Dans la conception du système, nous avons voulu répondre aux préoccupations suivantes: 1. Les gens s'habituent à recevoir des recommandations. Néanmoins, après quelques mauvaises recommandations, les utilisateurs ne seront plus convaincus par les RS. 2. En outre, si ces suggestions viennent sans explication, pourquoi les gens devraient les suivre ? 3. Le fait que la perception, les goûts et les humeurs des utilisateurs goûts varient au fil du temps est bien connue. Pourtant, la plupart des systèmes de recommandation ne parviennent pas à offrir le bon niveau de «réactivité» que les utilisateurs attendent, c'est à dire la capacité de détecter et d'intégrer des changements dans les besoins, les préférences, la popularité, etc. Recommander un film une semaine après sa sortie pourrait être trop tard. 4. L'utilisateur pourrait être intéressé par des articles moins populaires (dans la «longue traine»), c'est à dire des recommandations moins systématiques. Pour répondre à ces questions clés, nous avons conçu un nouveau système de recommandation sémantique et adaptatif (SRAS), comportant trois fonctionnalités innovantes, à savoir l'argumentation, l'adaptation dynamique et un algorithme d'appariement. • Adaptation dynamique: le système est mis à jour de façon continue, à chaque nouvelle note / évènement. (Chapitre 4) • Argumentation: chaque recommandation présente les raisons qui ont conduit à cette recommandation. Cela peut être considéré comme une première étape vers une argumentation plus sophistiqué. Notre volonté est de rendre les utilisateurs plus responsables de leur choix, en leur donnant le maximum d'informations. (Chapitre 5) • Algorithme d'appariement: permet aux articles les moins populaires d'être recommandés aux utilisateurs. (Chapitre 6) Nous avons conçu un nouveau système de recommandation capable de générer des recommandations textuellement bien argumentées dans lequel l'utilisateur final aura plusieurs éléments pour faire un choix éclairé. En outre, les paramètres du système sont dynamiquement et continuellement mis à jour, afin de fournir des recommandations et des arguments en la phase avec le passé très récent. Nous avons inclus un niveau sémantique, c'est à dire les mots, termes et expressions comme ils sont naturellement exprimés dans les commentaires utilisateurs. Nous n'utilisons pas d'étiquettes ou lexique pré-déterminé. Les performances de notre système sont comparables à l'état de l'art. En outre, le fait qu'il génère un argumentaire le rend encore plus attrayant et pourrait renforcer la fidélité des utilisateurs / This thesis presents the results of a multidisciplinary research project (Agorantic) on Recommender Systems. The goal of this work was to propose new features that may render recommender systems (RS) more attractive than the existing ones. We also propose a new approach to and a reflection about evaluation. In designing the system, we wanted to address the following concerns: 1. People are getting used to receive recommendations. Nevertheless, after a few bad recommendations, users will not be convinced anymore by the RS. 2. Moreover, if these suggestions come without explanations, why people should trust it? 3. The fact that item perception and user tastes and moods vary over time is well known. Still, most recommender systems fail to offer the right level of “reactivity” that users are expecting, i.e. the ability to detect and to integrate changes in needs, preferences, popularity, etc. Suggesting a movie a week after its release might be too late. In the same vein, it could take only a few ratings to make an item go from not advisable to advisable, or the other way around. 4. Users might be interested in less popular items (in the ” long tail”) and want less systematic recommendations. To answer these key issues, we have designed a new semantic and adaptive recommender system (SARS) including three innovative features, namely Argumentation, Dynamic Adaptation and a Matching Algorithm. • Dynamic Adaptation: the system is updated in a continuous way, as each new review/rating is posted. (Chapter 4) • Argumentation: each recommendation relies on and comes along with some keywords, providing the reasons that led to that recommendation. This can be seen as a first step towards a more sophisticated argumentation. We believe that, by making users more responsible for their choices, it will prevent them from losing confidence in the system. (Chapter 5) • Matching Algorithm: allows less popular items to be recommended by applying a match- ing game to users and items preferences. (Chapter 6) The system should be sensed as less intrusive thanks to relevant arguments (well-chosen words) and less responsible to unsatisfaction of the customers. We have designed a new recommender system intending to provide textually well-argued recommendations in which the end user will have more elements to make a well-informed choice. Moreover, the system parameters are dynamically and continuously updated, in order to pro- vide recommendations and arguments in phase with the very recent past. We have included a semantic level, i.e words, terms and phrases as they are naturally expressed in reviews about items. We do not use tags or pre-determined lexicon. The performances of our system are comparable to the state of the art. In addition, the fact that it provides argumentations makes it even more attractive and could enhance customers loyalty

Les systèmes de recommandation se sont révélés être des outils efficaces pour aider les utilisateurs à faire face à la surcharge informationnelle. D’importants progrès ont été réalisés dans le domaine durant les deux dernières décennies, menant en particulier à l’exploitation de l’information contextuelle pour modéliser l’aspect dynamique des utilisateurs et des articles. La définition traditionnelle du contexte, adoptée dans la plupart des systèmes de recommandation contextuels, ne répond pas à plusieurs contraintes rencontrées dans les applications du monde réel. Dans cette thèse, nous abordons les problèmes de recommandation en présence d’informations contextuelles partiellement observables et d’informations contextuelles non observables dans deux applications particulières, la recommandation d’hôtels et la recommandation en ligne, remettant en question plusieurs aspects de la définition traditionnelle du contexte, notamment l'accessibilité, la pertinence, l'acquisition et la modélisation.La première partie de la thèse étudie le problème de recommandation d’hôtels qui souffre du démarrage à froid continu, limitant la performance des approches classiques de recommandation. Le voyage n’est pas une activité fréquente et les utilisateurs ont tendance à adopter des comportements diversifiés en fonction de leurs situations spécifiques. Après une analyse du comportement des utilisateurs dans ce domaine, nous proposons de nouvelles approches de recommandation intégrant des informations contextuelles partiellement observables affectant les utilisateurs. Nous montrons comment cela contribue à améliorer la qualité des recommandations.La deuxième partie de la thèse aborde le problème de recommandation en ligne en présence de flux de données où les observations apparaissent continûment à haute fréquence. Nous considérons que les utilisateurs et les articles reposent sur des informations contextuelles non observables par le système et évoluent de façons différentes à des rythmes différents. Nous proposons alors d’effectuer de la détection active de changements et d’assurer la mise à jour des modèles en temps réel. Nous concevons de nouvelles méthodes qui s’adaptent aux changements qui apparaissent au niveau des préférences des utilisateurs et des perceptions et descriptions des articles, et montrons l’importance de la recommandation adaptative en ligne pour garantir de bonnes performances au cours du temps. / Recommender systems have proven to be valuable tools to help users overcome the information overload, and significant advances have been made in the field over the last two decades. In particular, contextual information has been leveraged to model the dynamics occurring within users and items. Context is a complex notion and its traditional definition, which is adopted in most recommender systems, fails to cope with several issues occurring in real-world applications. In this thesis, we address the problems of partially observable and unobservable contexts in two particular applications, hotel recommendation and online recommendation, challenging several aspects of the traditional definition of context, including accessibility, relevance, acquisition, and modeling.The first part of the thesis investigates the problem of hotel recommendation which suffers from the continuous cold-start issue, limiting the performance of classical approaches for recommendation. Traveling is not a frequent activity and users tend to have multifaceted behaviors depending on their specific situation. Following an analysis of the user behavior in this domain, we propose novel recommendation approaches integrating partially observable context affecting users and we show how it contributes in improving the recommendation quality.The second part of the thesis addresses the problem of online adaptive recommendation in streaming environments where data is continuously generated. Users and items may depend on some unobservable context and can evolve in different ways and at different rates. We propose to perform online recommendation by actively detecting drifts and updating models accordingly in real-time. We design novel methods adapting to changes occurring in user preferences, item perceptions, and item descriptions, and show the importance of online adaptive recommendation to ensure a good performance over time.

Research on social networks and understanding the interactions of the users can be modeled as a task of graph mining, such as predicting nodes and edges in networks.Dealing with such unstructured data in large social networks has been a challenge for researchers in several years. Neural Networks have recently proven very successful in performing predictions on number of speech, image, and text data and have become the de facto method when dealing with such data in a large volume. Graph NeuralNetworks, however, have only recently become mature enough to be used in real large-scale graph prediction tasks, and require proper structure and data modeling to be viable and successful. In this research, we provide a new modeling of the social network which captures the attributes of the nodes from various dimensions. We also introduce the Neural Network architecture that is required for optimally utilizing the new data structure. Finally, in order to provide a hot-start for our model, we initialize the weights of the neural network using a pre-trained graph embedding method. We have also developed a new graph embedding algorithm. We will first explain how previous graph embedding methods are not optimal for all types of graphs, and then provide a solution on how to combat those limitations and come up with a new graph embedding method.

Cette thèse s'articule autour des problèmes d'optimisation à grande échelle, et plus particulièrement autour des méthodes de factorisation matricielle sur des problèmes de grandes tailles. L'objectif des méthodes de factorisation de grandes matrices est d'extraire des variables latentes qui permettent d'expliquer les données dans un espace de dimension réduite. Nous nous sommes intéressés au domaine d'application de la recommandation et plus particulièrement au problème de prédiction de préférences d'utilisateurs.Dans une contribution, nous nous sommes intéressés à l'application de méthodes de factorisation dans un environnement de recommandation contextuelle et notamment dans un contexte social.Dans une seconde contribution, nous nous sommes intéressés au problème de sélection de modèle pour la factorisation où l'on cherche à déterminer de façon automatique le rang de la factorisation par estimation de risque. / This thesis focuses on large scale optimization problems and especially on matrix factorization methods for large scale problems. The purpose of such methods is to extract some latent variables which will explain the data in smaller dimension space. We use our methods to address the problem of preference prediction in the framework of the recommender systems. Our first contribution focuses on matrix factorization methods applied in context-aware recommender systems problems, and particularly in socially-aware recommandation.We also address the problem of model selection for matrix factorization which ails to automatically determine the rank of the factorization.