Preference Elicitation in Social Recommender Systems ‘L’élicitation des préférences dans les systèmes de recommandation sociaux’

Abstract

Ce mémoire se focalise sur l'élicitation des préférences dans les Systèmes de Recommandation Sociaux en utilisant des techniques du Traitement Automatique du Langage Naturel. L'étude inclut une analyse approfondie du domaine de la recommandation sociale et de l'élicitation des préférences, en mettant l'accent sur l'analyse des sentiments. Pour effectuer cette dernière, on a utilisé le modèle AraBERT récemment développé par Google, qui améliore le traitement des requêtes, la prédiction et la génération de texte en Arabe. Notre objectif est d'exploiter les avantages d'AraBERT pour l'élicitation des préférences à partir des commentaires en arabe et l’incorporation de ces préférences dans le processus de la recommandation afin d’améliorer les performances des systèmes de recommandations sociaux en termes de pertinence. Un système de recommandation social des restaurants nomme ‘ArbPrefRec’ basé sur les préférences extraites depuis les commentaires des utilisateurs arabophones a était implémente avec le langage de programmation python avec une interface conviviale. Une série de test a était effectué afin de démontrer la performance du système. En comparons leur performance avec les modèles LSTM et CNN. Les résultats trouver en était satisfaisant du cote classification des sentiments et les recommandations génères. This thesis focuses on preference elicitation in Social Recommendation Systems using Natural Language Processing techniques. The study includes an in-depth analysis of the domain of social recommendation and preference elicitation, with a focus on sentiment analysis. To carry out the latter, we used the AraBERT model recently developed by Google, which improves query processing, prediction and text generation in Arabic. Our aim is to exploit the advantages of AraBERT for eliciting preferences from Arabic comments and incorporating these preferences into the recommendation process in order to improve the performance of social recommendation systems in terms of relevance. A social restaurant recommendation system called 'ArbPrefRec' based on preferences extracted from Arabic user comments was implemented using the Python programming language with a user-friendly interface. A series of tests was carried out to demonstrate the performance of the system. We compared its performance with that of the LSTM and CNN models. The results were satisfactory in terms of the classification of sentiments and the recommendations generated.