In this thesis we address the problem of recommendation in domains where items have strong dependency constraints. We apply our work on the academic courses domain, where dependencies between items are present as explicit prerequisite constraints, implicit ordering patterns, and general course consumption restrictions. We propose a new recommendation approach that combines both ordering patterns of items learned from data and estimated user interests in providing a personalized sequence of recommendations that take into account item inter-dependencies. Our approach is based on modeling the recommendation problem as a Markov Decision Process (MDP), in which the goal is to find a plan with the maximum total reward. We have developed an implementation of our approach as a web-based course recommender system, which recommends academic course course plans to students for a number of subsequent terms. Experiments on real data collected from students of McGill University demonstrate that our approach has better performance compared to other simpler models which rely exclusively on student interests or on course co-occurrence patterns. / Dans cette thèse, nous abordons le problème de recommandation dans les domaines où les éléments ont des fortes contraintes de dépendance. Nous appliquons notre travail sur le domaine des cours académiques où les dépendances entre les éléments sont présentes comme contraintes de condition préalable explicites, pattern de l'arrangement implicite, et restrictions générale de la consomption de cours. Nous proposons une nouvelle approche au problème de recommandation qui combine l'arrangement des articles appris à partir des données et les intérêts de l'utilisateur, estimés pour fournir une séquence personnalisée des recommandations, qui prend en compte les interdépendances des éléments. Notre approche est basée sur la modélisation du problème de recommandation comme processus de décision Markovien (MDP) dont le but est de trouver un plan à profit totale maximale. Nous avons implémenté notre approche sur le Web en tant qu'un système qui propose des plans de cours aux étudiants pour un certain nombre de périodes subséquentes. Nos expériences sur des données réelles recueillies auprès des élèves de l'Université McGill démontrent que notre approche est plus performant comparativement aux modèles qui ne considèrent que les intérêts d'étudiant ou les patterns de co-occurrence de cours.
| Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QMM.106519 |
| Date | January 2012 |
| Creators | Almahairi, Amjad |
| Contributors | Gregory L Dudek (Internal/Supervisor) |
| Publisher | McGill University |
| Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation |
| Format | application/pdf |
| Coverage | Master of Science (School of Computer Science) |
| Rights | All items in eScholarship@McGill are protected by copyright with all rights reserved unless otherwise indicated. |
| Relation | Electronically-submitted theses. |
Page generated in 0.0082 seconds