CHEMLAL MAROUA | Université 8 Mai 1945 Guelma

Systèmes de recommandation, Données multimodales, Réseaux de neurones graphiques (GNN), Multi-liste de recommandations, Prise de décision multicritère

Recommender systems have become ubiquitous on the internet. On most e-commerce and digital service platforms, users frequently encounter suggestions such as “customers who liked this product also liked that one.” The primary goal of these systems is to personalize the browsing experience, optimize the conversion rate (visitor → customer), and facilitate the retrieval of relevant information from massive volumes of data.
However, despite their effectiveness, recommender systems face several challenges: (1) the lack of data truly adapted to users’ specific needs, (2) user disorientation during the search process, leading to inefficiency, and (3) difficulties in leveraging the richness of multimodal data collected from diverse sources such as social networks, reviews, interaction histories, and contextual information. Recent research has attempted to address these issues by integrating machine learning and deep learning techniques, as well as multi-criteria decision-making methods, to better capture user preferences, context, and external factors.

To overcome these limitations, we propose in this work two complementary recommender systems. The first, the Smart Food and Restaurant Advisor (SFRA), employs Multi-Criteria Decision-Making (MCDM) methods to support healthier and more personalized food choices. Unlike traditional approaches that neglect nutritional and lifestyle dimensions, SFRA integrates user profiles enriched with dietary needs, preferences, and geographic data to deliver context-aware recommendations. Our system evaluates and ranks food and restaurant options by considering nutrition, ingredients, and contextual relevance, enabling users to make informed choices that balance taste with health goals.
The second system is an innovative multimodal recommendation approach that exploits heterogeneous data sources (user preferences, spatio-temporal context and emotional) and leverages Graph Neural Networks (GNNs) to model complex relationships between users, items, and contextual factors. Furthermore, we introduce a multi-list recommendation mechanism, designed to provide multiple personalized suggestion lists based on different criteria (relevance, diversity, context), thereby enhancing personalization while reducing user disorientation.

Abstract (Ar)

Abstract (Ar):

أصبحت أنظمة التوصية شائعة الاستخدام على شبكة الإنترنت. ففي معظم منصات التجارة الإلكترونية والخدمات الرقمية، يواجه المستخدمون بشكل متكرر اقتراحات من قبيل: "العملاء الذين أحبوا هذا المنتج أحبوا أيضًا ذاك". والهدف الأساسي من هذه الأنظمة هو تخصيص تجربة التصفح، تحسين معدل التحويل (من زائر إلى عميل)، وتسهيل استرجاع المعلومات ذات الصلة من بين الكم الهائل من البيانات.
ومع ذلك، وعلى الرغم من فعاليتها، تواجه أنظمة التوصية عدة تحديات: (1) نقص البيانات المكيّفة فعليًا مع احتياجات المستخدمين الخاصة، (2) تشتت المستخدم أثناء عملية البحث مما يؤدي إلى ضعف الكفاءة، و(3) صعوبة استغلال ثراء البيانات متعددة الوسائط المجمعة من مصادر متنوعة مثل شبكات التواصل الاجتماعي، المراجعات، سجلات التفاعل، والمعلومات السياقية. وقد حاولت الأبحاث الحديثة معالجة هذه الإشكالات من خلال دمج تقنيات التعلّم الآلي والتعلّم العميق، إضافة إلى أساليب اتخاذ القرار متعددة المعايير، بهدف فهم أفضل لتفضيلات المستخدمين، وسياقاتهم، والعوامل الخارجية المؤثرة.

ولتجاوز هذه القيود، نقترح في هذا العمل نظامي توصية متكاملين. الأول هو المستشار الذكي للأطعمة والمطاعم ، الذي يوظّف أساليب اتخاذ القرار متعددة المعايير لدعم خيارات غذائية أكثر صحة وشخصنة. وعلى عكس الأساليب التقليدية التي تهمل الأبعاد الغذائية ونمط الحياة، يقوم هذا النظام بدمج ملفات المستخدمين المثرية بالاحتياجات الغذائية، التفضيلات، والبيانات الجغرافية لتقديم توصيات سياقية دقيقة. يقوم نظامنا بتقييم وترتيب خيارات الطعام والمطاعم بناءً على عناصر مثل التغذية، المكونات، والملاءمة السياقية، مما يمكّن المستخدمين من اتخاذ قرارات مستنيرة تحقق توازنًا بين المذاق والأهداف الصحية.

أما النظام الثاني فهو مقاربة مبتكرة للتوصية متعددة الوسائط، تستغل مصادر البيانات المتباينة (تفضيلات المستخدم، السياق الزمكاني والعاطفي) وتستعين بالشبكات العصبية الرسومية لنمذجة العلاقات المعقدة بين المستخدمين، العناصر، والعوامل السياقية. إضافة إلى ذلك، نقدم آلية توصية متعددة القوائم، صُمّمت لتوفير عدة قوائم مخصّصة من الاقتراحات استنادًا إلى معايير مختلفة (الملاءمة، التنوع، السياق)، مما يعزز من درجة التخصيص ويحدّ من تشتت المستخدم.

Abstract (Fr)

Abstract (Fr):

Les systèmes de recommandation sont devenus omniprésents sur Internet. Sur la plupart des plateformes de commerce électronique et de services numériques, les utilisateurs rencontrent fréquemment des suggestions du type : « les clients qui ont aimé ce produit ont également aimé celui-ci ». L’objectif principal de ces systèmes est de personnaliser l’expérience de navigation, d’optimiser le taux de conversion (visiteur → client) et de faciliter la recherche d’informations pertinentes au sein d’énormes volumes de données.
Cependant, malgré leur efficacité, les systèmes de recommandation font face à plusieurs défis : (1) l’insuffisance de données réellement adaptées aux besoins spécifiques des utilisateurs, (2) la désorientation des utilisateurs lors du processus de recherche, entraînant une perte d’efficacité, et (3) la difficulté à exploiter la richesse des données multimodales collectées auprès de sources diverses telles que les réseaux sociaux, les avis, les historiques d’interactions et les informations contextuelles. Des travaux récents ont tenté de répondre à ces problématiques en intégrant des techniques d’apprentissage automatique et d’apprentissage profond, ainsi que des méthodes d’aide à la décision multicritères, afin de mieux saisir les préférences des utilisateurs, leur contexte et les facteurs externes.

Pour surmonter ces limitations, nous proposons dans ce travail deux systèmes de recommandation complémentaires. Le premier, le Smart Food and Restaurant Advisor (SFRA), repose sur les méthodes d’aide à la décision multicritères (MCDM) afin de soutenir des choix alimentaires plus sains et personnalisés. Contrairement aux approches traditionnelles qui négligent les dimensions nutritionnelles et liées au mode de vie, SFRA intègre les profils utilisateurs enrichis par les besoins alimentaires, les préférences et les données géographiques, afin de fournir des recommandations contextuelles. Notre système évalue et classe les options alimentaires et les restaurants en tenant compte de la nutrition, des ingrédients et de la pertinence contextuelle, permettant ainsi aux utilisateurs de prendre des décisions éclairées conciliant goût et objectifs de santé.

Le second système constitue une approche innovante de recommandation multimodale, exploitant des sources de données hétérogènes (préférences des utilisateurs, contexte spatio-temporel et émotionnel) et s’appuyant sur les réseaux de neurones graphiques (GNNs) pour modéliser les relations complexes entre utilisateurs, éléments et facteurs contextuels. En outre, nous introduisons un mécanisme de recommandation multi-listes, conçu pour fournir plusieurs listes personnalisées de suggestions selon différents critères (pertinence, diversité, contexte), renforçant ainsi la personnalisation tout en réduisant la désorientation des utilisateurs.

Scientific publications

Scientific publications :

Chemlal Maroua, Zedadra Amina, Zedadra Ouarda, Guerrieri Antonio & Kouahla Med Nadjib. (2024). A Multi-Criteria Food and Restaurant Recommendation System. Journal of Universal Computer Science, 30(12), 1724. DOI: 10.3897/jucs.119739

Scientific conferences

Scientific conferences:

1. Chemlal maroua , zedadera amina and kouahla med nadjib. “ Recommender systems in smart environments: state of art” Informatics And Applied Mathematics IAM'21. Guelma, Algérie.

2. Chemlal Maroua, Zedadra Amina et Kouahla Med Nadjib. “ Application of RS in smart mobility. “ Informatics and Applied Mathematics IAM’22, Guelma, Algérie .

3. Chemlal Maroua, Zedadra Amina, Kouahla Med Nadjib and Zedadra Ouarda. "A Machine Learning-Based Recommender System for Personalized Restaurant Recommendations" Informatics And Applied Mathematics IAM'23. Guelma, Algérie.

4. Chemlal Maroua, Zedadra Amina, Kouahla Med Nadjib and Zedadra Ouarda." A restaurant recommendation system based on collaborative filtering using machine learning algorithms and the multi-criteria method " The 13th International Conference on Research in ComputIng at Feminine RIF'2024. Constantine , Algérie. https://ceur-ws.org/Vol-3935/Paper13.pdf

5. Chemlal Maroua, Zedadra Amina, Zedadra Ouarda and Kouahla Med Nadjib ." A Personalized Restaurant Recommendation System Using ML-TOPSIS Approach " International Conference on Emerging Intelligent Systems for Sustainable Development ICEIS'2024. Aflou, Algérie. DOI 10.2991/978-94-6463-496-9_21

6. Chemlal Maroua, Zedadra Amina, Kouahla Med Nadjib and Boughazi Akram." Smart Tourism Recommendation System Leveraging Deep Learning and Machine Learning Techniques" The First National Conference on Artificial Intelligence and its Applications NCAIA'2024. Constantine, Algérie.

7. Chemlal Maroua, Zedadra Amina and Kouahla Med Nadjib. " Influence of Artifitial Intelligence for Next POIs Prediction" 7th International Conference on Informatics and Applied Mathematics IAM'24

8. Chemlal Maroua, Zedadra Amina and Kouahla Med Nadjib. "Tailored POIs Recommendations: A Machine Learning Approach to Personalized Experiences" .National Conference on Computational Engineering, Artificial Intelligence, and Smart Systems NCCEIASS'2024. Tamnraset, Algérie.