Bonjour,
Vous êtes cordialement invités à la soutenance de thèse d’Afshin MOIN qui se tiendra le 9 juillet 2012 en salle Métivier à partir de 14 heures 30.
Le jury est composé de :
– Pierre Fraigniaud, Directeur du Liafa (Rapporteur)
– Marie-Christine Rousset, Professeur au Laboratoire d’Informatique de Grenoble (Rapporteur)
– Eric Fleury, Professeur à l’ENS de Lyon
– Arnaud Guyader, Maître de conférence à l’Université de Rennes 2
– Anne-Marie Kermarrec, Directeur de Recherche à Inria Rennes Bretagne Atlantique
Title: Recommendation And Visualization Techniques For Large Scale Data
Titre : Les Techniques De Recommandation Et De Visualisation Pour Les Données A Une Grande Echelle
Abstract
We have witnessed the rapid development of the information technology during the last decade. On one side, processing and stocking capacity of digital devices is increasing constantly thanks to advances in construction methods. On the other side, the interaction between these powerful devices has been made possible through networking technology. As a natural consequence of these progresses, the volume of the data generated in different applications has grown with an unprecedented rate. Consequently, it is becoming increasingly harder for internet users to find items and content matching their needs. Henceforth, we are confronted with new challenges to efficiently process and represent the huge mass of data at our disposal. This thesis is centered around the two axes of recommending relevant content and its proper visualization. The role of the recommender systems is to help users in the process of decision making to find items with relevant content and satisfactory quality among the large set of alternatives existing in the Web. On the other hand, the adequate representation of the processed data is central both for increasing its utility to the end-user and for designing efficient analysis tools. In this presentation, the prevalent approaches to recommender systems and the principal techniques for visualization of data in the form of graphs are discussed. Furthermore, it is shown how some of the same techniques applied to recommender systems can be modified to consider visualization requirements.
Résumé
Nous avons assisté au développement rapide de la technologie de l’information au cours de la dernière décennie. D’une part, la capacité du traitement et du stockage des appareils numériques est en constante augmentation grâce aux progrès des méthodes de construction. D’autre part, l’interaction entre ces dispositifs puissants a été rendue possible grâce à la technologie de réseautage. Une conséquence naturelle de ces progrès, est que le volume des données générées dans différentes applications a grandi à un rythme sans précédent. Désormais, nous sommes confrontés à de nouveaux défis pour traiter et représenter efficacement la masse énorme de données à notre disposition. Cette thèse est centrée autour des deux axes de recommandation du contenu pertinent et de sa visualisation correcte. Le rôle des systèmes de recommandation est d’aider les utilisateurs dans le processus de prise de décision pour trouver des articles avec un contenu pertinent et une qualité satisfaisante au sein du vaste ensemble des possibilités existant dans le Web. D’autre part, la représentation correcte des données traitées est un élément central à la fois pour accroître l’utilité des données pour l’utilisateur final et pour la conception des outils d’analyse efficaces. Dans cet exposé, les principales approches des systèmes de recommandation ainsi que les techniques les plus importantes de la visualisation des données sous forme de graphes sont discutées. En outre, il est montré comment quelques-unes des mêmes techniques appliquées aux systèmes de recommandation peuvent être modifiées pour tenir compte des exigences de visualisation.