责任导师 : Patrick GALLINARI

助理责任导师 : AMINI Massih-Reza

Apprentissage de fonctions d'ordonnancement avec peu de données étiquetées: une application au routage d'information, au résumé de textes et au filtrage collaboratif

La communauté d'apprentissage s'est récemment intéressée aux fonctions d'ordonnancement. Ces fonctions cherchent à comparer les entrées entre elles et à les retourner sous la forme d'une liste ordonnée. Cependant, l'apprentissage nécessite une grande base de données étiquetées, dont la création est en général coûteuse. Dans ce mémoire, nous avons cherché à réduire le nombre d’exemples étiquetés pour l’apprentissage des fonctions d’ordonnancement. Nous avons abordé cette problématique sous deux angles différents. En premier lieu, nous avons cherché à améliorer les performances en apprentissage supervisé en exploitant l’information contenue dans un grand nombre de données non étiquetées. Ce cadre est connu sous le terme d’apprentissage semi-supervisé. En deuxième lieu, nous avons considéré l’apprentissage actif, dont le but est de construire itérativement la base d’apprentissage. L’objectif est de sélectionner les meilleures entrées à étiqueter pour réduire au maximum le nombre de données étiquetées. Dans une première partie, nous présentons nos modèles en apprentissage semi-supervisé puis actif pour l’ordonnancement dit biparti. Nos modèles sont des extensions des méthodes SVM et de boosting. Nous nous sommes notamment intéressés à développer des modèles de faible complexité pour pouvoir traiter un grand nombre de données non–étiquetées. Dans une deuxième partie, nous considérons plusieurs applications de recherche en information touchées par notre problématique : le routage d’information, le résumé automatique de textes et le filtrage collaboratif. Cette partie permet de valider nos modèles et de montrer l’intérêt de l’ordonnancement pour le filtrage collaboratif.

2005-2011 刊物

• 2011
  • T. Truong, D. Buffoni, N. Usunier, M.‑R. Amini, P. Gallinari : “Modèles d’Ordonnancement pour le Résumé Automatique et la Recherche d’Information”, chapitre de Modèles Statistiques pour l'Accès à l'Information Textuelle, pp. 19-42, (Hermès-Lavoisier), (ISBN: 2746224976) (2011)
• 2009
  • T. Truong : “Apprentissage de fonctions d’ordonnancement avec peu de données étiquetées: une application au routage d’information, au résumé de textes et au filtrage collaboratif”, 博士论文, 答辩 2009-10-8, 责任导师 Gallinari, Patrick, 助理责任导师 : Amini, Massih-Reza (2009)
  • T. Truong, M.‑R. Amini, P. Gallinari : “Apprentissage de fonctions d’ordonnancement avec un flux de données non-étiquetées”, Conference d'Apprentissage, CAP 2009, Hammamet, Tunisia (2009)
  • T. Truong, M.‑R. Amini, P. Gallinari : “A self-training method for learning to rank with unlabeled data”, European Symposium on Artificial Neural Networks (ESANN 2009), Bruges, Belgium, pp. 17-22 (2009)
• 2008
  • M.‑R. Amini, T. Truong, C. Goutte : “A Boosting Algorithm for Learning Bipartite Ranking Functions with Partially Labeled Data”, 31^st International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2008), Singapore, Singapore, pp. 99-106, (ACM) (2008)
  • T. Truong, M.‑R. Amini, P. Gallinari : “Apprentissage de Fonctions d’Ordonnancement Semi-Supervisé Inductives”, Conference d'Apprentissage, CAP 2008, Porquerolles, France (2008)
• 2007
  • J.‑F. Pessiot, T. Truong, N. Usunier, M.‑R. Amini, P. Gallinari : “Learning to Rank for Collaborative Filtering”, International Conference on Enterprise Information Systems (ICEIS), Madeira, Portugal, pp. 145-151 (2007)
  • J.‑F. Pessiot, T. Truong, N. Usunier, M.‑R. Amini, P. Gallinari : “Filtrage Collaboratif avec un Algorithme d’Ordonnancement”, Conférence en Recherche d'Information et Applications (CORIA), Saint-Etienne, France, pp. 165-180, (Université de Saint-Etiennes) (2007)
  • T. Truong, M.‑R. Amini : “Apprentissage semi-supervisé de fonctions d’ordonnancement”, Extraction et Gestion des Connaissances (EGC), vol. RNTI-E-9, RNTI, Namur, Belgium, pp. 497-507 (2007)
• 2006
  • T. Truong, M.‑R. Amini, P. Gallinari : “Learning to Rank with Partially Labeled Training Data”, 1^st International Conference on Multidisciplinary Information Sciences and Technologies, Merida, Spain, pp. 64-74 (2006)
  • J.‑F. Pessiot, T. Truong, N. Usunier, M.‑R. Amini, P. Gallinari : “Factorisation en Matrices Non-Négatives pour le Filtrage Collaboratif”, 3^eme Conference en Recherche d'Information et Applications (CORIA'06), Lyon, France, pp. 315-326 (2006)
• 2005
  • N. Usunier, T. Truong, M.‑R. Amini, P. Gallinari : “Ranking with Unlabeled Data: A First Study”, NIPS'05 Workshop on Learning to Rank (NIPS'05-LR), Whistler, BC, Canada, pp. 24-28 (2005)