Pour pouvoir restituer des informations qui correspondent aux besoins de l'utilisateur, les mécanismes d'adaptation doivent disposer de métadonnées sur celui-ci telles que ses caractéristiques personnelles, ses préférences générales, ses centres d'intérêt. De ce fait, le profil utilisateur construit à partir de celles-ci devient central dans tout système basé sur la personnalisation. Dans cette thèse, nous nous focalisons sur l'approche qui consiste à s'appuyer sur le réseau social de l'utilisateur pour enrichir le profil de cet utilisateur, les métadonnées explicites étant complétées par les informations issues de notre processus d'analyse. Nous appelons les techniques ou processus associés à cette approche " profilage social ". Le terme " profil social " désigne un profil construit à l'aide du réseau social de l'utilisateur. Un profil social contient les métadonnées traduisant les intérêts de l'utilisateur extraits à partir des informations partagées par les individus de son réseau social. Les intérêts de l'utilisateur évoluant au fil du temps dans la vie réelle, il en est de même pour ceux extraits depuis son réseau social : pertinents à un moment donné, ils peuvent ne plus être significatifs ultérieurement. Partant de ce constat, les principales informations que nous souhaitons étudier pour détecter un changement de centres d'intérêt ne sont pas ciblées sur l'utilisateur lui-même mais sur les éléments de son réseau social (liens entre les membres, informations qui circulent entre eux) : l'évolution du profil social de l'utilisateur est donc liée à l'évolution de son réseau social. Nous proposons une démarche générique de profilage social efficace permettant de construire un profil social représentatif de l'utilisateur prenant en compte différents types de réseaux ainsi que leurs caractéristiques évolutives. Pour prendre en compte l'évolution des intérêts dans le profil social, nous avons proposé d'améliorer l'efficacité des processus de construction du profil social existants en intégrant la prise en compte de l'évolution du réseau social de l'utilisateur. Nous proposons d'intégrer un facteur temporel dans ces processus (approche basée sur des individus et approche basée sur les communautés). La solution permet de privilégier les intérêts provenant d'informations significatives et à jour. Il s'agit donc d'intégrer une mesure temporelle dans l'étape d'extraction et pondération des intérêts. Cette mesure est calculée d'une part, à partir de la pertinence temporelle des informations utilisées pour extraire cet intérêt et d'autre part, à partir de la pertinence temporelle de l'individu qui partage ces informations. Nous mettons en œuvre la méthode proposée au travers d'expérimentations dans deux réseaux sociaux différents : DBLP, un réseau de publications scientifiques et Twitter, un réseau de micro-blogs. Les résultats de ces expérimentations nous ont permis de montrer l'efficacité de la méthode temporelle proposée par rapport aux processus de construction du profil social qui ne prennent pas en compte des critères temporels. En étudiant les résultats en fonction des techniques de pondération des intérêts ou fonctions temporelles utilisées, nous constatons que la fonction temporelle et la technique utilisées donnant les meilleurs résultats varient selon l'approche de construction du profil social choisie, selon la taille et la densité du réseau étudié mais aussi selon sur le type de réseau. La problématique abordée dans cette thèse est relativement nouvelle dans le contexte des systèmes de personnalisation de l'information et ouvre de nombreuses perspectives : évaluation du profil social dans un système de recommandation par exemple, application de la méthode proposée dans d'autres types de réseaux sociaux, application de techniques de mise à jour du profil, conception d'une plateforme de construction du profil social selon les caractéristiques du réseau. / User profiling is essential for personalization systems (e.g. personalized information retrieval systems, recommendation systems) to identify user information (preference, interests...), in order to propose relevant content based on his/her specific needs and requirements. Many works have shown that user's social neighbors can be a meaningful source to infer his/her interests. Besides, sociology works have shown that the user is better described by people around him/her, especially the people that are directly connected to him/her (his egocentric network). In this work, the term "social profiling" is considered as the interest extraction approach that consists in extracting user interests from information of his/her social neighbors. The user's profile built within this approach is called "social profile". As user behaviors evolve over time, it is necessary to take into consideration the evolution of user interests in user profiling process. In the case of social profile, user interests are extracted from the information shared by his/her social neighbors. Hence, the evolution of extracted interests is related to the evolution of information shared on user social network and to the evolution of relationships between the user and his/her social neighbors. This issue becomes particularly important in the Online Social Networks (OSNs) context where user behavior changes quickly. For a user, the relationships and information in his/her social network can evolve and become obsolete for him/her overtime. Two users creating a relationship are not required to know each other in real life. Thus, the relationship persistence is not always maintained in this case. Social events or viral marketing (buzz) are also factors that enhance online social content sharing. In this work, we propose a generic approach that considers the evolution in user's social network in the social profiling process and can be applied in different types of social network. To handle this, we propose to apply a time-aware method into existing social profile building process (individual based and community based approaches). This strategy aims at weighting user's interests in the social profile based on their temporal score. The temporal score of an interest is computed by combining the temporal score of information used to extract the interests (computed by considering their freshness) with the temporal of individuals who share the information in the network (computed by considering the freshness of the interaction with the user). The technique and temporal function used to compute the temporal score are customizable. Thus, we can find out the most appropriate technique or temporal function depending on the types or characteristics of the adopted social network. The experiments conducted on DBLP and Twitter showed that the so-called time-aware social profiling process applying our proposed time-aware method outperforms the existing time-agnostic social profiling process. We also found that the most appropriate technique, temporal function and social profiling approach vary depending on the network characteristics (size, density) and to the social network type. Our approach opens many opportunities for future studies in social information filtering and many application domains as well as on the Web (e.g. evolution of social profile in personalization of search engines, recommender systems in e-commerce,). Our long-term perspective consists in the proposal of a generic platform that extracts the information and builds the user social profile based on the type and the specific characteristics of the underlying social network. Such a platform would be parameterized by the characteristics of the targeted social network using a machine learning approach.
| Identifer | oai:union.ndltd.org:theses.fr/2017TOU30071 |
| Date | 29 May 2017 |
| Creators | On-At, Sirinya |
| Contributors | Toulouse 3, Sèdes, Florence |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0031 seconds