Computational models of human cognition and learning are, in principle, well positioned to help meet these challenges, yet the effectiveness of cognitive models in educational recommender systems remains poorly understood to this date. Common challenges include data sparsity, the lack of sufficiently flexible learner and domain models, and the difficulty of including pedagogical goals into recommendation strategies. Such algorithms have proven to be quite effective in big-data learning settings (massive open online courses), yet successful applications in other informal and formal learning settings are rare. In recent years, various recommendation algorithms have been proposed to support learners in technology-enhanced learning environments. Les résultats obtenus sont très encouragement et améliorent les performances des systèmes de recherche d'information.
Le but est de déterminer les termes importants du document qui reflètent les centres d’intérêts de l’utilisateur.La dernière partie de la thèse est consacré à l'évaluation de nos propositions. Notre approche se distingue par l’intégration du document dans l’estimation des poids des tags de l’utilisateur.La seconde contribution de cette thèse concerne la définition d’une nouvelle approche de modélisation de l’utilisateur basée sur les documents.La particularité de ce modèle est de faire dépendre les termes du document non seulement du contenu textuel du document mais également des tags attribués par l’utilisateur à ce document. La première contribution de cette thèse réside dans la définition d’un modèle utilisateur représenté par les tags, tel que ces tags couvrent les sujets des documents auxquels ils ont été attribués.
#Tagspaces stuck in perspectives plus#
Plus précisément, comment estimer parmi toutes les informations des utilisateurs, les données qui peuvent représenter ses centres d'intérêts.Dans la première partie de la thèse, nous présentons un état de l'art des travaux de la recherche d'information et la recherche d'information sociale personnalisée.Ensuite, nous décrivons les deux principales contributions. Nous étudions la problématique de pondération des termes du profil de l'utilisateur. Il est important de créer des modèles d’utilisateurs précis et inférer leurs centres d’intérêts à partir de toutes les informations.Dans cette thèse, on s'intéresse à la problématique de modélisation des profils des utilisateurs dans les folksonomies. Par conséquent, de nombreuses recherches se sont intéressées à combiner ces deux domaines qui sont la recherche d’information et les réseaux sociaux, ce qui a donné lieu à des modèles de recherche d’information sociale.L’extraction, l’analyse et la représentation d’information sur les activités sociales des utilisateurs jouent un rôle important pour les systèmes de recherche d’information personnalisée. Cependant, les modèles classiques de recherche d’information n’intègrent pas le contexte social de l’utilisateur et des ressources. Ces informations peuvent être très utiles dans les tâches de recherche d’information, pour la modélisation des utilisateurs et des ressources. De nombreuses informations qui concernent à la fois les utilisateurs et les ressources (documents, images, vidéos, commentaires, tweets, tags, etc.) sont constamment générées. Une large gamme de services et de plateformes rendent l’utilisateur de plus en plus interactif avec le web. Finally, we describe the main open challenges related to the field, such as tag ambiguity, cold start, and evaluation issues. Moreover, we provide a critical overview of these methods, pointing out their advantages and disadvantages. In this article, we propose a taxonomy for tag recommendation methods, classifying them according to the target of the recommendations, their objectives, exploited data sources, and underlying techniques. Regardless of the numerous and diversified previous studies on tag recommendation, to our knowledge, no previous work has summarized and organized them into a single survey article. These methods aim at assisting users in the tagging process, possibly increasing the quality of the generated tags and, consequently, improving the quality of the information retrieval (IR) services that rely on tags as data sources. This increase in tag popularity has led to a vast literature on tag recommendation methods. Tags (keywords freely assigned by users to describe web content) have become highly popular on Web 2.0 applications, because of the strong stimuli and easiness for users to create and describe their own content.
0 kommentar(er)
