Système de recommandation : algorithmes et application à la plateforme KeeSeeK

Agniel, Vidal; Bertrand, Frédéric; Claeys, Emmanuelle; Delyon, Alexandre; Maumy-Bertrand, Myriam; Nengsih, Titin

Type de document :

Autre communication scientifique (congrès sans actes - poster - séminaire...): Communication dans un congrès avec actes

Titre :

Système de recommandation : algorithmes et application à la plateforme KeeSeeK

Auteur(s) :

Agniel, Vidal [Auteur]
Laboratoire Paul Painlevé - UMR 8524 [LPP]
Bertrand, Frédéric [Auteur]
Institut de Recherche en Mathématiques, Interactions et Applications [Labex_IRMIA]
Claeys, Emmanuelle [Auteur]
Université de Strasbourg [UNISTRA]
Delyon, Alexandre [Auteur]
Institut Élie Cartan de Lorraine [IECL]
Maumy-Bertrand, Myriam [Auteur]
Institut de Recherche Mathématique Avancée [IRMA]
Nengsih, Titin [Auteur]
Institut de Recherche Mathématique Avancée [IRMA]

Titre de la manifestation scientifique :

Les 51es Journées de Statistique

Ville :

Nancy

Pays :

France

Date de début de la manifestation scientifique :

2019-06-03

Mot(s)-clé(s) :

partial pooling et données réelles
Allocation dynamique
bandit manchot multi bras
système de recommandations

Mot(s)-clé(s) en anglais :

partial pooling
recommender systems
multi-armed bandit
Dynamic allocation
evaluation on real data

Discipline(s) HAL :

Statistiques [stat]/Machine Learning [stat.ML]
Statistiques [stat]/Applications [stat.AP]
Informatique [cs]/Apprentissage [cs.LG]

Résumé :

Cet article résume le déroulement du projet proposé par la société KeeSeeK dans le cadre de la Semaine d'Étude Maths-Entreprises (SEME) de Strasbourg organisée en novembre 2018. Ce projet porte sur la recommandation d'offres ...
Lire la suite >Cet article résume le déroulement du projet proposé par la société KeeSeeK dans le cadre de la Semaine d'Étude Maths-Entreprises (SEME) de Strasbourg organisée en novembre 2018. Ce projet porte sur la recommandation d'offres d'emploi dans un moteur de recherche en ligne. Nous nous plaçons dans le cas où le moteur de recherche doit proposer des offres d'emploi susceptibles de maximiser les clics des candidats. Ces offres ont été préalablement sélectionnées et l'utilisateur (possédant le moteur de recherche) souhaite améliorer sa sélection. Pour s'intéresser à ce problème, nous avons proposé une version revisitée d'un algorithme d'apprentissage par renforcement (Thompson-sampling) lorsque le nombre d'offres d'emploi disponibles est important (∼ 100).Lire moins >

Résumé en anglais : [en]

This article summarizes the progress of the project proposed by the KeeSeeK company as part of the "SEME" organized in November 2018 at Strasbourg. This project focuses on the recommendation of job offers in a web search ...
Lire la suite >This article summarizes the progress of the project proposed by the KeeSeeK company as part of the "SEME" organized in November 2018 at Strasbourg. This project focuses on the recommendation of job offers in a web search engine. We place ourselves in the case where the search engine must propose job offers likely to maximize the clicks of the candidates. These offers have been pre-selected and the user (with the help of the search engine) wants to improve this selection. To tackle this problem, we proposed a revised version of a Thompson-Sampling algorithm when the number of available job offers is high (∼ 100)Lire moins >

Langue :

Français

Comité de lecture :

Oui

Audience :

Internationale

Vulgarisation :

Non

Collections :

Laboratoire Paul Painlevé - UMR 8524

Source :

Harvested from HAL

Fichiers

document
Accès libre
Accéder au document

JES_SEMS.pdf
Accès libre
Accéder au document

Système de recommandation : algorithmes ... BibTeX CSV Excel RIS

Fichiers

Système de recommandation : algorithmes ...

BibTeX

CSV

Excel

RIS