Sumit Sidana - Systèmes de recommandation pour la publicité en ligne

13:00
Jeudi
8
Nov
2018
Organisé par : 
Sumit Sidana
Intervenant : 
Sumit Sidana
Équipes : 
Mots clés : 

 

Jury :

  • Patrick Gallinari , LIP6, Sorbonne Universite (Rapporteur)
  • Josiane Mothe, Institut de Recherche en Informatique de Toulouse (IRIT) (Rapporteure)
  • Sihem Amer-Yahia, Centre National de la recherche scientifique (CNRS) (Examinateur)
  • Romaric Gaudel, ENSAI (Examinateur)
  • Gilles Vandelle, Kelkoo (Examinateur)
  • Massih-Reza Amini, Université Grenoble Alpes (Directeur de these)
  • Charlotte Laclau, Université Jean Monnet (Codirectrice de these)

 

Cette thèse est consacrée à l’étude des systèmes de recommandation basés sur des réseaux de neurones artificiels appris pour faire de l'ordonnancement de produits avec des retours implicites (sous forme de clics). Dans ce sens, nous proposons un nouveau modèle neuronal  qui apprend conjointement la représentation des utilisateurs et des produits dans un espace latent, ainsi que la relation de préférence des utilisateurs sur les produits. Nous montrons que le modèle proposé est apprenable au sens du principe de la minimisation du risque empirique et performant par rapport aux autres modèles de l'état de l'art sur plusieurs  collections. En outre, nous contribuons à la création de deux nouvelles collections,  produites grâce aux enregistrements des comportements de clients de Kelkoo (https://www.kelkoo.com/); le leader européen de la publicité programmatique et de Purch (http://www.purch.com/). Les deux jeux de données recueillent des retours implicites des utilisateurs sur des produits, ainsi qu’un grand nombre d'informations contextuelles concernant à la fois les clients et les produits. La collections de données de Purch  contient en plus une information sur la popularité des produits ainsi que des commentaires textuelles associés. Nous proposons, une stratégie simple et efficace sur la manière de prendre en compte le biais de la popularité ainsi qu'un modèle probabiliste latent temporel pour extraire automatiquement les thèmes des textes des commentaires.