Data, learning and privacy in recommendation systems

Nupur Mittal 1, 2
Résumé : Les syst?mes de recommandation sont devenus une partie indispensable des services et des applications d?internet, en particulier d? ? la surcharge de donn?es provenant de nombreuses sources. Quel que soit le type, chaque syst?me de recommandation a des d?fis fondamentaux ? traiter. Dans ce travail, nous identifions trois d?fis communs, rencontr?s par tous les types de syst?mes de recommandation: les donn?es, les mod?les d'apprentissage et la protection de la vie priv?e. Nous ?laborons diff?rents probl?mes qui peuvent ?tre cr??s par des donn?es inappropri?es en mettant l'accent sur sa qualit? et sa quantit?. De plus, nous mettons en ?vidence l'importance des r?seaux sociaux dans la mise ? disposition publique de syst?mes de recommandation contenant des donn?es sur ses utilisateurs, afin d'am?liorer la qualit? des recommandations. Nous fournissons ?galement les capacit?s d'inf?rence de donn?es publiques li?es ? des donn?es relatives aux utilisateurs. Dans notre travail, nous exploitons cette capacit? ? am?liorer la qualit? des recommandations, mais nous soutenons ?galement qu'il en r?sulte des menaces d'atteinte ? la vie priv?e des utilisateurs sur la base de leurs informations. Pour notre second d?fi, nous proposons une nouvelle version de la m?thode des k plus proches voisins (knn, de l'anglais k-nearest neighbors), qui est une des m?thodes d'apprentissage parmi les plus populaires pour les syst?mes de recommandation. Notre solution, con?ue pour exploiter la nature bipartie des ensembles de donn?es utilisateur-?l?ment, est ?volutive, rapide et efficace pour la construction d'un graphe knn et tire sa motivation de la grande quantit? de ressources utilis?es par des calculs de similarit? dans les calculs de knn. Notre algorithme KIFF utilise des exp?riences sur des jeux de donn?es r?elles provenant de divers domaines, pour d?montrer sa rapidit? et son efficacit? lorsqu'il est compar? ? des approches issues de l'?tat de l'art. Pour notre derni?re contribution, nous fournissons un m?canisme permettant aux utilisateurs de dissimuler leur opinion sur des r?seaux sociaux sans pour autant dissimuler leur identit?.
Type de document :
Thèse
Machine Learning [cs.LG]. Université Rennes 1, 2016. English. 〈NNT : 2016REN1S084〉
Liste complète des métadonnées

https://tel.archives-ouvertes.fr/tel-01477420
Contributeur : Abes Star <>
Soumis le : lundi 27 février 2017 - 13:36:08
Dernière modification le : vendredi 16 novembre 2018 - 01:38:16
Document(s) archivé(s) le : dimanche 28 mai 2017 - 13:07:25

Fichier

MITTAL_Nupur.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01477420, version 1

Citation

Nupur Mittal. Data, learning and privacy in recommendation systems. Machine Learning [cs.LG]. Université Rennes 1, 2016. English. 〈NNT : 2016REN1S084〉. 〈tel-01477420〉

Partager

Métriques

Consultations de la notice

472

Téléchargements de fichiers

559