Cette thèse porte sur l'étude de modèles d'agrégations de préférences utilisant des points de références. En théorie de la décision, de nombreux travaux axiomatiques montrent les difficultés théoriques et pratiques que pose l'agrégation de relations de préférences partiellement conflictuelles. Les théorèmes d'impossibilité existants expliquent d'une part les difficultés rencontrées par les concepteurs de méthodes multicritères reposant sur une modélisation ordinale des préférences mais aussi la difficulté de concevoir des modèles purement qualitatifs pour la décision dans l'incertain. Nous proposons ici de comparer les solutions non plus de manière directe, mais de manière indirecte en examinant leurs mérites respectifs du point de vue de plusieurs points de références. Nous étudions le potentiel descriptif et prescriptif de ces modèles, les propriétés formelles des règles d'agrégation associées, et nous proposons des théorèmes de représentation caractérisant les préférences représentables par ces modèles dans les domaines de la décision multicritère et la décision dans l'incertain. Enfin, nous montrons leur apport potentiel en aide à la décision à travers des exemples d'application.

Cette thèse porte sur la modélisation et l'apprentissage automatique des préférences, dans le contexte industriel de l'impression en grand format. En particulier, nous nous intéressons à l'automatisation de la configuration d'impression. De par la palette des comportements possibles, cette fonctionnalité n'est triviale, ni à concevoir, ni à utiliser. Nous proposons une nouvelle approche pour en améliorer les deux aspect complémentaires : évolutivité et utilisabilité. Notre réalisation principale est un système de recommandation adaptatif, basé sur trois contributions originales : une modélisation de la configuration d'impression grand format à partir d'un modèle de préférence, sous la forme de problèmes d'optimisation sous contraintes, un modèle des préférences de l'imprimeur, sous la forme de fonctions d'utilité additive linéaires par morceaux, basée sur une famille d'attributs adaptée, un algorithme d'apprentissage automatique d'ordonnancements à partir de données comparatives. Basé sur l'algorithme rankSVM (noyau linéaire), notre méthode d'apprentissage permet d'adapter la complexité de l'espace de description des données, tout en conservant la linéarité

Le problème de représentation automatique de la signification logique des énoncés ambigus en langage naturel a suscité l'intérêt des chercheurs dans le domaine de la sémantique computationnelle et de la logique. L'ambiguïté dans le langage naturel peut se manifester au niveau lexical / syntaxique / sémantique de la construction de sens, ou elle peut être causée par d'autres facteurs tels que la grammaticalité et le manque de contexte dans lequel la phrase est effectivement prononcée. L'approche traditionnelle Montagovienne ainsi que ses extensions modernes ont tenté de capturer ce phénomène en fournissant quelques modèles qui permettent la génération automatique de formules logiques. Cependant, il existe un axe de recherche qui n'est pas encore profondément étudié: classer les interprétations d'énoncés ambigus en fonction des préférences réelles des utilisateurs de la langue. Ce manque suggère une nouvelle direction d'étude qui est partiellement explorée dans ce mémoire en modélisant des préférences de sens en alignement avec certaines des théories de performance préférentielles humaines bien étudiées disponibles dans la littérature linguistique et psycholinguistique.Afin d'atteindre cet objectif, nous suggérons d'utiliser / d'étendre les Grammaires catégorielles pour notre analyse syntaxique et les Réseaux catégoriels de preuve comme notre analyse syntaxique. Nous utilisons également le Lexique Génératif Montagovien pour dériver une formule logique multi-triée comme notre représentation de signification sémantique. Cela ouvrirait la voie à nos contributions à cinq volets, à savoir, (i) le classement de la portée du quantificateur multiple au moyen de l'opérateur epsilon de Hilbert sous-spécifié et des réseaux de preuve catégoriels; (ii) modéliser la gradation sémantique dans les phrases qui ont des coercitions implicites dans leurs significations. Nous utilisons un cadre appelé Montagovian Generative Lexicon. Notre tâche est d'introduire une procédure pour incorporer des types et des coercitions en utilisant des données lexicales produites par externalisation ouverte qui sont recueillies par un jeu sérieux appelé JeuxDeMots; (iii) l'introduction de nouvelles métriques sensibles au référent basées sur la localité pour mesurer la complexité linguistique au moyen de réseaux de preuve catégoriels; (iv) l'introduction d'algorithmes pour l'achèvement des phrases avec différentes mesures linguistiquement motivées pour sélectionner les meilleurs candidats; (v)l'intégration de différentes métriques de calcul pour les préférences de classement afin de faire d'elles un modèle unique. / The problem of automatic logical meaning representation for ambiguous natural language utterances has been the subject of interest among the researchers in the domain of computational and logical semantics. Ambiguity in natural language may be caused in lexical/syntactical/semantical level of the meaning construction or it may be caused by other factors such as ungrammaticality and lack of the context in which the sentence is actually uttered. The traditional Montagovian framework and the family of its modern extensions have tried to capture this phenomenon by providing some models that enable the automatic generation of logical formulas as the meaning representation. However, there is a line of research which is not profoundly investigated yet: to rank the interpretations of ambiguous utterances based on the real preferences of the language users. This gap suggests a new direction for study which is partially carried out in this dissertation by modeling meaning preferences in alignment with some of the well-studied human preferential performance theories available in the linguistics and psycholinguistics literature.In order to fulfill this goal, we suggest to use/extend Categorial Grammars for our syntactical analysis and Categorial Proof Nets as our syntactic parse. We also use Montagovian Generative Lexicon for deriving multi-sorted logical formula as our semantical meaning representation. This would pave the way for our five-folded contributions, namely, (i) ranking the multiple-quantifier scoping by means of underspecified Hilbert's epsilon operator and categorial proof nets; (ii) modeling the semantic gradience in sentences that have implicit coercions in their meanings. We use a framework called Montagovian Generative Lexicon. Our task is introducing a procedure for incorporating types and coercions using crowd-sourced lexical data that is gathered by a serious game called JeuxDeMots; (iii) introducing a new locality-based referent-sensitive metrics for measuring linguistic complexity by means of Categorial Proof Nets; (iv) introducing algorithms for sentence completions with different linguistically motivated metrics to select the best candidates; (v) and finally integration of different computational metrics for ranking preferences in order to make them a unique model.

Un système de recommandation a pour objectif de recommander à un utilisateur, appelé utilisateur actif, des ressources pertinentes pour lui. Le filtrage collaboratif (FC) est une approche de recommandation très répandue qui exploite les préférences exprimées par des utilisateurs sur des ressources. Le FC repose sur l'hypothèse que les préférences des utilisateurs sont cohérentes entre elles, ce qui permet d'inférer les préférences d'un utilisateur à partir des préférences des autres utilisateurs. Définissons une préférence spécifique comme une préférence qui ne serait partagée pour aucun groupe d'utilisateurs. Un utilisateur possédant plusieurs préférences spécifiques qu'il ne partage avec aucun autre utilisateur sera probablement mal servi par une approche de FC classique. Il s'agit du problème des Grey Sheep Users (GSU). Dans cette thèse, je réponds à trois questions distinctes. 1) Qu'est-ce qu'une préférence spécifique ? J'apporte une réponse en proposant des hypothèses associées que je valide expérimentalement. 2) Comment identifier les GSU dans les données ? Cette identification est importante afin d'anticiper les mauvaises recommandations qui seront fournies à ces utilisateurs. Je propose des mesures numériques permettant d'identifier les GSU dans un jeu de données de recommandation sociale. Ces mesures sont significativement plus performantes que celles de l'état de l'art. Enfin, comment modéliser ces GSU pour améliorer la qualité des recommandations qui leurs sont fournies ? Je propose des méthodes inspirées du domaine de l'apprentissage automatique et dédiées à la modélisation des GSU permettant d'améliorer la qualité des recommandations qui leurs sont fournies / A recommender system aims at providing relevant resources to a user, named the active user. To allow this recommendation, the system exploits the information it has collected about the active user or about resources. The collaborative filtering (CF) is a widely used recommandation approach. The data exploited by CF are the preferences expressed by users on resources. CF is based on the assumption that preferences are consistent between users, allowing a user's preferences to be inferred from the preferences of other users. In a CF-based recommender system, at least one user community has to share the preferences of the active user to provide him with high quality recommendations. Let us define a specific preference as a preference that is not shared by any group of user. A user with several specific preferences will likely be poorly served by a classic CF approach. This is the problem of Grey Sheep Users (GSU). In this thesis, I focus on three separate questions. 1) What is a specific preference? I give an answer by proposing associated hypotheses that I validate experimentally. 2) How to identify GSU in preference data? This identification is important to anticipate the low quality recommendations that will be provided to these users. I propose numerical indicators to identify GSU in a social recommendation dataset. These indicators outperform those of the state of the art and allow to isolate users whose quality of recommendations is very low. 3) How can I model GSU to improve the quality of the recommendations they receive? I propose new recommendation approaches to allow GSU to benefit from the opinions of other users

Les réseaux GAI sont une représentation graphique compacte et expressive des préférences d'un décideur en Décision Multiattribut, c'est-à-dire dans des situations où les alternatives sur lesquelles portent les choix du décideur sont décrites à l'aide d'un ensemble d'attributs (de caractéristiques). L'exploitation de leur structure graphique permet de définir des procédures efficaces d'élicitation de préférences (détermination des préférences à l'aide de questionnaires) ainsi que des algorithmes assez performants de prise de décision (calcul de l'alternative préférée du décideur ou des k meilleures alternatives). Le but de cette thèse est double. Tout d'abord elle vise à étendre les algorithmes de prise de décision dans des cas où les réseaux GAI sont denses, c'est-à-dire dans des situations où leur structure ne permet pas aux algorithmes de l'état de l'art de s'exécuter en un temps raisonnable. Pour cela, une nouvelle méthode de triangulation approchée a été développée, qui produit des réseaux GAI approchés sur lesquels des mécanismes d'inférence adaptés permettent d'obtenir les alternatives optimales des réseaux GAI d'origine. Ensuite, elle propose de nouvelles méthodes d'inférence en Décision multicritère. Plus précisément, elle propose des approches pour déterminer des frontières de Pareto (exactes ou approchées avec garantie de performance) ou des frontières de Lorenz. Elle prop ose également des algorithmes pour déterminer des solutions optimales dans les cas où les critères peuvent être agrégés via des opérateurs tels que OWA (Ordered Weighted Average), l'intégrale de Choquet ou bien encore la norme de Tchebyche ff.

Afin de déterminer le plus tôt possible dans le processus de conception, les solutions les pluspertinentes, la prise de décisions robuste apparait comme fondamentale pour garantir lesmeilleurs choix. A partir de solutions conceptuelles, l’étape de conception architecturale, ditede pré-dimensionnement, vise à déterminer les principales grandeurs dimensionnantes etpilotantes du système à concevoir, tout en satisfaisant l’ensemble des exigences du cahier descharges. La continuité du processus de conception entre les phases préliminaires et détailléesdépend alors de l’efficacité de la phase de conception architecturale à fournir des solutionsavec un comportement physique validé et une architecture fonctionnelle optimisée. Lesactivités de pré-dimensionnement sont donc fortement tournées vers l’optimisationnumérique. L’utilisation de ces techniques requiert une modélisation précise du problème deconception architecturale. En particulier, l’exploration de vastes espaces de conception, lareprésentation et l’évaluation de solutions candidates, ainsi que la formulation a priori despréférences sont des enjeux majeurs.Les travaux de recherche présentés dans cette thèse concernent le développement deméthodologies et la proposition d’outils pour l’aide à la décision en conception architecturaledes produits et des machines. Plus précisément, l’ensemble de ces travaux vise à fournir auxconcepteurs une démarche adaptée pour structurer et formuler des fonctions objectifs lorsquel’activité de conception est abordée par l’optimisation. Notre approche consiste à relier par lamodélisation de préférences, le comportement physique du système à concevoir avec lescritères et les objectifs de conception, selon des étapes d’observation, d’interprétation etd’agrégation. A partir du concept de désirabilité, cette méthode de modélisation est utiliséepour formuler les objectifs de conceptions et pour quantifier le niveau de satisfaction globalatteint par les solutions candidates. Cette approche est utilisée pour aborder les problèmes deconception robuste où les objectifs de performance et de sensibilité sont mis en balance. Danscette perspective, des mesures de dispersion des performances, ainsi qu’une fonction decompromis spécifique au problème de conception robuste en ingénierie, sont proposés.Enfin, l’application de ces méthodes et outils est illustrée au travers du prédimensionnementd’un évaporateur flash bi-étagé, utilisé pour le traitement des moûts dansl’industrie viticole. L’objectif est alors de trouver des solutions de conception robustes, c'està-dire, des architectures présentant à la fois un niveau de performance globale satisfaisant,incluant la qualité du produit, la transportabilité de la machine ou les coûts, et une faiblesensibilités de la température de sortie du produit, ainsi que de son titre alcoolémique. / In order to converge as soon as possible toward the most preferable design solution, takingrobust decisions appears as a topical issue to ensure the best choices in engineering design. Inparticular, started from a selected concept, embodiment design consists in determining themain dimensioning and monitoring parameters of the system while meeting the designrequirements. The continuity of the design process between the preliminary and detailedphases strongly depends on the efficiency of the embodiment design phase in providingembodied solutions with a validated physical behaviour and an optimized functional structure.Embodiment design problems are thus generally turned toward numerical optimization. Thisrequires an accurate modelling of embodiment design problems, and in particular,investigation of large design spaces, representation and evaluation of candidate solutions anda priori formalization of preferences are topical issues.Research works presented in this thesis deal with the development of methodologies andtools to support decision making during embodiment design of industrial systems andmachines. In particular, it aims to provide designers with a convenient way to structureobjectives functions for optimization in embodiment design. This approach consists in linkingthe physical behaviour of the system to be designed, with the design criteria and objectivesthrough the modelling of designer’s preferences according to observation, interpretation andaggregation steps. Based on the concept of desirability, this modelling procedure is used toformulate design objectives and to quantify the overall level of satisfaction achieved bycandidate solutions. In the scope of robust design, this method is applied first to formulatedesign objectives related to performances, and then, to formulate design objectives related tothe sensitivity of performances. Robust design problems are thus tackled as a trade-offbetween these two design objectives. Measurement methods for performance dispersion andoriginal trade-off function specific to robust design are proposed.Finally, an application of the modelling methodology through the embodiment design of atwo-staged flash evaporator for must concentration in the wine industry is presented.Objective is to find robust design solutions, i.e. configurations with simultaneously adesirable level of performance, including the quality of the vintage, the transportability of thesystem and the costs of ownership, and a low sensitivity of some performances, namely thetemperature of the outlet product and the final alcoholic strength.

La réussite du développement des produits industriels a un enjeu économique considérable pour l’entreprise. Les décisions sur les concepts et sur l’architecture du produit ont un impact considérable sur le coût global du cycle de vie du produit. Les industriels sont alors de plus en plus encouragés à adopter des méthodes permettant de rationaliser les décisions de conception. Ces méthodes doivent être en adéquation avec le niveau de connaissance acquis sur les alternatives de conception, la nature des décisions à prendre et les outils d’évaluation disponibles. Ainsi, deux méthodes d’aide à la décision ont été développées dans cette thèse en fonction de la phase de conception étudiée.Une première méthode est proposée pour la phase amont de conception dans laquelle l’objectif de l’entreprise est de réduire le nombre de concepts proposés initialement pour concentrer ses efforts et ses ressources sur les concepts les plus prometteurs. Durant cette phase, les produits sont définis d’une manière très imprécise. Les concepteurs doivent alors faire beaucoup d'hypothèses lorsqu’ils proposent des modèles de comportement destinés à évaluer les concepts. Ces modèles, qui expriment une connaissance de nature explicite, sont insuffisants pour faire des choix de concepts. Pour remédier à cette difficulté, nous nous orientons dans notre étude vers la connaissance implicite (ou subjective), obtenue au travers de l'expérience et du savoir-faire acquis par les concepteurs. Afin d’intégrer cette connaissance dans la prise de décision, elle est d’abord formalisée au travers d’outils comme les fonctions de préférence. La méthode globale d’aide à la décision proposé permet de combiner à la fois cette connaissance implicite et la connaissance explicite (représentée par les modèles de comportement) pour évaluer chaque concept en termes d’aptitude à respecter les exigences minimales de validation et du niveau d’adéquation avec les objectifs de conception. Les objectifs et préférences des décideurs sont, quant à eux, structurés et formalisés au travers du modèle OIA (Observation-Interprétation-Agrégation) développé auparavant dans le laboratoire I2M-IMC.Une deuxième méthode a été proposée pour la phase aval de conception qui a pour objectif de fixer les paramètres du produit final (choix des matériaux, dimensions, etc.) après que le concept ait été choisi. Durant cette phase, le produit est défini d’une manière plus précise et les modèles de comportement sont plus représentatifs des phénomènes physiques pertinents du concept étudié. Ces modèles restent cependant basés sur des hypothèses qui conduisent parfois à une remise en question de leur exactitude, surtout pour certains paramètres de conception. Fixer les paramètres du produit en se basant uniquement sur ces modèles de comportement nécessite la prise en compte de leur niveau exactitude. Nous avons donc développé un indicateur d’exactitude de ces modèles qui intègre, d’une part, une évaluation objective qui est la mesure d’écart entre le modèle et un comportement de référence (supposé exact) et, d’autre part, sur une évaluation subjectif qui se base sur la mesure de distance avec la solution de référence (solution prototypée) et sur des fonctions de confiances établies par les concepteurs. La combinaison d’une évaluation objective et subjective de l’exactitude permet d’obtenir à la fin un indicateur général d’exactitude capable de couvrir l’intégralité de l’espace de conception. L’indicateur ainsi obtenu est utilisé dans une méthode d’aide à la décision qui qualifie chaque solution candidate en terme de risque engendré par les l’exactitude des modèles et de degré de satisfaction des objectifs de conception (en se basant la modèle OIA). / The successful development of industrial products has a considerable economic challenge for the company. Decisions on concepts and product architecture have a significant impact on the overall cost of the product life cycle. Manufacturers are then increasingly encouraged to adopt methods to streamline design decisions. These methods must be consistent with the level of knowledge acquired on alternative design, the nature of decision making and assessment tools available. Thus, both methods of decision support have been developed in this thesis based on the study design phase.A first method is proposed for the upstream design stage in which the goal of the company is to reduce the number of concepts initially proposed to focus its efforts and resources on the most promising concepts. During this phase, the products are defined very loosely. Designers must then make a lot of assumptions when proposing role models to assess the concepts. These models, which express a knowledge of explicit nature, are insufficient to make choices concepts. To overcome this difficulty, we are moving in our study to the implicit knowledge (or subjective), obtained through the experience and expertise acquired by the designers. To integrate this knowledge in decision-making, it is first formalized through tools such as preferably functions. The overall approach to decision support proposed for combining both the implicit knowledge and explicit knowledge (represented by the role models) to assess each concept in terms of ability to meet the minimum requirements for validation and level fitness with the design goals. The objectives and preferences of decision makers are, in turn, structured and formalized through the OIA model (Observation-Interpretation-Aggregation) previously developed in the laboratory I2M-BMI.A second method was proposed for the downstream design phase that aims to set the parameters of the final product (choice of materials, dimensions, etc.) after the concept was chosen. During this phase, the product is defined in a more precise manner and behavior patterns are more representative of the relevant physical phenomena of the concept studied. These models are however based on assumptions which sometimes lead to a questioning their accuracy, especially for some design parameters. Fix the product parameters based solely on these patterns of behavior requires taking into account their accuracy level. We have therefore developed an accuracy indicator of these models that integrates on the one hand, an objective assessment which is the measure of difference between the model and a reference behavior (assumed correct) and, secondly, on a subjective assessment that is based on the distance measurement with the reference solution (prototyped solution) and trusts functions established by the designers. The combination of objective and subjective assessment of the accuracy provides at the end a general indicator of accuracy able to cover the entire design space. The indicator thus obtained is used in a method of decision support that qualifies each candidate solution in terms of risk posed by the accuracy of the models and level of satisfaction of design objectives (based the model OIA) .