CHEMLAL MAROUA

Research interest

Les systèmes de recommandation (ou encore des moteurs) sont aujourd’hui présents presque partout sur Internet. Sur la grande majorité des sites de e-commerce que l’on  visite, on peut voir par exemple un bandeau qui indique que « les personnes ayant aimé  ce produit ont aussi aimé celui-là ». Le but est bien entendu de personnaliser la navigation  sur le site pour maximiser le taux de transformation (visiteur→client). Les systèmes de  recommandation facilitent la recherche et l’extraction des informations pertinentes à  partir de l’énorme quantité de données. Ces derniers ont été développés pour fournir un  guide aux utilisateurs lors de leurs explorations de données et de résoudre leurs difficultés de recherche.
Les systèmes de recommandation ont pour objectif principal de réduire la masse de  données disponibles sur les médias sociaux. Malheureusement, ces derniers souffrent de  plusieurs problèmes : (1) manque de données pertinentes qui conviennent aux besoins des utilisateurs et (2) la désorientation des utilisateurs lors de leurs processus de recherche sur un sujet précis, ce qui conduit à la perte de temps sans atteinte efficace aux  objectifs fixés. Pour cela, nous envisageons d’introduire l’analyse des données volumineuses pour l’amélioration des systèmes de recommandation. Une solution qui permet de réduire l’énorme masse de données disponibles. Elle consiste à analyser les données volumineuses afin d’extraire leurs caractéristiques via un modèle générique en se basant  sur l’une des techniques de Machine/Deep Learning. Ce modèle consiste à extraire les  caractéristiques issues des médias sociaux en se basant sur les traces des utilisateurs.