En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Exploration des Données et Recommandations Thèse H/F

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR5217-SIHAME-005
Lieu de travail : GRENOBLE
Date de publication : vendredi 26 juin 2020
Nom du responsable scientifique : SIHEM AMER-YAHIA
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2020
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Le but de ce travail est de développer de nouveaux algorithmes pour l'exploration de données qui utilisent des stratégies de recommandation et qui peuvent être utilisés pour explorer des recommandations.
Il y a deux raisons pour lesquelles nous avons besoin d'une conversation dans la recommandation: (i.) Servir les utilisateurs froids, et (ii.) Décrire les besoins d'information complexes [1]. La recommandation interactive est fréquemment mentionnée dans la littérature (par opposition à la recommandation statique) comme solution au défi du démarrage à froid. Le démarrage à froid peut se produire pour trois types d'utilisateurs: les nouveaux arrivants, les utilisateurs occasionnels (qui n'ont pas visité le service depuis longtemps) et les utilisateurs privés (qui se soucient de la protection de la vie privée). Le défi du démarrage à froid est souvent résolu en utilisant des approches en deux phases (stratégies basées sur des entretiens [2], intégration [3], apprentissage actif [4], images [5]), minimisation de l'entropie [6] et exploration. exploiter les stratégies [7]. Chaque itération d'un système de recommandation interactif constitue une conversation, où le système fournit des informations à l'utilisateur, et l'utilisateur répond. Ces deux composantes seraient des paires d'adjacence [8]. Une conversation est éventuellement précédée d'une phase d'initiation (par exemple, un entretien) et suivie d'une phase d'affichage [9].

References
[1] Filip Radlinski and Nick Craswell. A theoretical framework for conversational search. InProceedings of the 2017conference on conference human information interaction and retrieval, pages 117–126, 2017.
[2] Mingxuan Sun, Fuxin Li, Joonseok Lee, Ke Zhou, Guy Lebanon, and Hongyuan Zha. Learning multiple-question decision trees for cold-start recommendation. InProceedings of the sixth ACM international conference on Web search and data mining, pages 445–454, 2013.
[3] Konstantina Christakopoulou, Alex Beutel, Rui Li, Sagar Jain, and Ed H Chi. Q&r: A two-stage approach toward interactive recommendation. In Proceedings of the 24th ACM SIGKDD International Conference on KnowledgeDiscovery & Data Mining, pages 139–148, 2018.
[4] Kyriaki Dimitriadou, Olga Papaemmanouil, and Yanlei Diao. AIDE: an active learning-based approach for interactive data exploration.IEEE Trans. Knowl. Data Eng., 28(11):2842–2856, 2016.[5] Julia Neidhardt, Rainer Schuster, Leonhard Seyfang, and Hannes Werthner. Eliciting the users' unknown preferences. In Proceedings of the 8th ACM Conference on Recommender systems, pages 309–312, 2014.
[6] Tim Salimans, Ulrich Paquet, and Thore Graepel. Collaborative learning of preference rankings. In Padraig Cunning-ham, Neil J. Hurley, Ido Guy, and Sarabjot Singh Anand, editors,Sixth ACM Conference on Recommender Systems, RecSys '12, Dublin, Ireland, September 9-13, 2012, pages 261–264. ACM, 2012.[7] Xiaoxue Zhao, Weinan Zhang, and Jun Wang. Interactive collaborative filtering. InProceedings of the 22nd ACM international conference on Information & Knowledge Management, pages 1411–1420, 2013.
[8] Derek G Bridge. Towards conversational recommender systems: A dialogue grammar approach. InECCBR workshops, pages 9–22, 2002.[9] Yongfeng Zhang, Xu Chen, Qingyao Ai, Liu Yang, and W. Bruce Croft. Towards conversational search and recommendation: System ask, user respond. InProceedings of the 27th ACM International Conference on Information andKnowledge Management, CIKM 2018, Torino, Italy, October 22-26, 2018, pages 177–186, 2018.
[10] Mariia Seleznova, Behrooz Omidvar-Tehrani, Sihem Amer-Yahia, and Eric Simon. Guided exploration of user groups.Proc. VLDB Endow., 2020.

Contexte de travail

Le Laboratoire d'Informatique de Grenoble (LIG) est un laboratoire d'envergure, dont les partenaires académiques sont :
le CNRS,
Grenoble INP,
Inria Grenoble Rhône-Alpes,
l'Université Grenoble Alpes,
Le LIG rassemble près de 500 chercheurs, enseignants-chercheurs, doctorants et personnels en support à la recherche. Ils relèvent des différents organismes et sont répartis sur trois sites du LIG : le campus, Minatec et Montbonnot.

L'ambition est de s'appuyer sur la complémentarité et la qualité reconnue des 24 équipes de recherche du LIG pour contribuer au développement des aspects fondamentaux de l'informatique (modèles, langages, méthodes, algorithmes) et pour développer une synergie entre les défis conceptuels, technologiques et sociétaux associés à cette discipline.

Le Laboratoire est situé sur le Campus Universitaire de St Martin d'Hères.

L'agent va travailler dans l'équipe SLIDE.
http://slide.liglab.fr/

Contraintes et risques

N/A

On en parle sur Twitter !