Recommendation d`items numériques selon les intérêts des

Recommendation d’items numériques selon les intérêts des abonnées de la bibliothèque ­ Identification des ​
intérêts​
des abonnés à partir de leurs activités sur cinq réseaux sociaux populaires (voir figure 1). Pour se faire il faut avoir 1) les intérêt des personnes, 2) accès aux contenus et leur métadonnées et 3) avoir des données contextuelles (c.­à­d. date, heure, endroit, température,...). ­ Étant donné que le système démarre à froid, prenez les profils suivants: Alain aime tout ce qui est actualité, comedie, stand­up et émissions Britanniques de détectives. Lia a 50 ans et aime les séries policières et de Downton Abbey. Vincent aime tout ce qui est relié au Basketball et à l’émission Dr. House et Philippe s’intéresse à l’histoire, la politique et au jeu vidéo abc; ­ Recommandez des contenus (c.­à­d. livres, vidéos et autres contenus disponibles dans la bibliothèque numérique locale, soit sur le Web (si disponible à la bibliothèque), en fonction de 1) ​
leurs préférences​
et du contexte, (jour, heure, localisation, par exemple, le matin c’est surtout la température, l’état des routes et les nouvelles récentes qui intéressent la majorité des citoyens. ­ Enrichir les intérêt par l’utilisation des intérêts disponibles sur leurs profils Facebook, Google +, Youtube, Twitter, .... ­ Produire un Ranking des intérêts personnel; ­ Évaluation des intérêts des utilisateurs et de leur évolution (graphe d’intérêt). Étude préliminaire (à partir du modèle de données d’un extrait de la bibliothèque numérique): ­ État de l’art sur les ​
algorithmes de recommandation ​
de Nakatsuji, Linden, Baluja, Nori, des articles publiés à la conférence RecSys 2014 et décider des trois stratégies de recommandation les plus prometteuses qui seront prototypées à l’aide de R, Mahout, ou MLlib ou autres; ­
­
­
­
Faites la conception d’une stratégie d’analyse des données pour la génération du fichier de ​
préférences (c­.à­d. utility matrix). Suite à la modification du prototype, faites utiliser le prototype par plusieurs volontaires afin d’accumuler des données expérimentales (par exemple click stream data/web click data) et générez le fichier de préférences pour Mahout, MLlib; Expérimentez trois stratégies de recommandation, à l’aide de R,Mahout ou MlLib et évaluez la qualité des recommandations de chaque stratégie dans le but d’identifier la meilleure stratégie; Finalement étudier et proposer des améliorations possibles ainsi que des sources de données, actuellement disponibles sur le Web gratuitement, qui pourraient potentiellement enrichir le fichier de préférences et, en conséquence, améliorer l’algorithme de recommandation pour la bibliothèque. Figure 1 : Obtention des intérêts d’un abonné à la bibliothèque à partir de réseaux sociaux