La recommandation des localisations : une nouvelle approche basée sur la fouille incrémentale des règles séquentielles

Abstract

Ces dernières années, le développement rapide dans le domaine technologique a stimulé le développement des technologies d'acquisition de localisation et de communication mobile Ce développement a créé de nombreux services de localisation, tels que la recommandation de points d'intérêt (POI). La recommandation des localisations consiste à suggérer à un utilisateur des lieux qu'il pourrait être intéressé à visiter. L’objectif de ce service est d'aider les utilisateurs mobiles à découvrir de nouveaux lieux intéressants (par exemple, des restaurants et des magasins), en déplacement. Dans la littérature, de nombreux modèles de recommandation des POI ont été proposés. Ces modèles tiennent compte de divers facteurs tels que l'influence géographique, temporelle et sociale. Bien que ces modèles se soient avérés performants, peu d'entre eux prennent en compte le comportement séquentiel de la mobilité humaine. En outre, plusieurs modèles ont été conçus en tenant compte des données statiques, ignorant ainsi les collectes continues des données d'enregistrement dans les RSBL (Réseaux Sociaux Basés sur la Localisation). Cela a conduit à la conception des systèmes de recommandations qui doivent être construit à partir de zéro pour effectuer des prédictions actualisées, lorsque de nouvelles données d'enregistrement arrivent. La complexité temporelle et spatiale de ces systèmes de recommandation peut donc augmenter considérablement lorsqu'elle est appliquée sur des données dynamiques. Par conséquent, il est nécessaire de concevoir des systèmes de recommandeurs incrémentales capables de traiter efficacement les données dynamiques. Pour remédier ces limitations, ce mémoire propose une nouvelle approche de recommandation des points d'intérêt, appelée STS-Rec. Ce dernier, basé sur l’extraction des règles séquentielles et il prend en compte le comportement séquentiel de la mobilité humaine. STS-Rec transforme d'abord les données de mobilité en séquences de localisation. Ensuite, il extrait progressivement des règles de recommandation séquentielles à partir de ces séquences. Une évaluation expérimentale menée sur un jeu de données d'enregistrement réel à grande échelle montre que le modèle proposé surpasse la version statique (non incrémentale) de système en termes de temps d’exécution et l’espace mémoire occupé.

In recent years, the rapid development in the technological field has stimulated the development of location acquisition and mobile communication technologies. This development has created many location services, such as the recommendation of points of interest (POI). POI recommendation consists of suggesting places that a user might be interested in visiting. The purpose of this service is to help mobile users to discover new and interesting places (for example, restaurants and shops), while on the move. In the literature, many models for recommending POIs have been proposed. These models take into account various factors such as geographic, temporal and social influences. Although these models have proven to be efficient, few of them take into account the sequential behavior of human mobility. Additionally, several models have been designed with static data in mind, thus ignoring the continuous recording and collection of check-in data in the LBSN (Location Based Social Network). This has led to the design of recommendations that must be formed from scratch to make up-to-date predictions, when new check-in data arrives. The temporal and spatial complexity of these recommenders can therefore increase considerably when applied to dynamic data. Therefore, there is a need to design incremental recommenders capable of handling dynamic data efficiently. To accommodate these limitations, this thesis proposes a new point of interest recommendation approach, called STS-Rec. The latter is mainly based on the extraction of sequential rules and it takes into account the sequential behavior of human mobility. STS-Rec first transforms mobility data into location sequences. Then, it gradually extracts sequential recommendation rules from these sequences. An experimental evaluation conducted on large-scale real-life check-in data from Brightkite shows that the proposed model outperforms the static version of the system in terms of execution time and space.