Auteurs
Résumé
Avec l’augmentation du nombre et de la variété des activités accessibles par les utili- sateurs, la recommandation personnalisée de séquences d’activités devient un enjeu important. Or, la plupart des systèmes de recommandation ne tiennent pas compte des contraintes tem- porelles liées aux activités, ce qui rend la recommandation difficile à suivre par un utilisateur. Dans cet article, nous décrivons une nouvelle approche pour la recommandation de séquences d’activités limitées dans le temps et concurrentes. Elle s’appuie sur l’historique des activités des utilisateurs pour extraire des motifs comportementaux et intègre différents éléments contextuels (popularité, informations démographiques et spatio-temporelles). Nous présentons un protocole d’évaluation et un jeu de données qui permettra l’évaluation de notre approche.
Abstract
As amount of activities available for users and their variety have grown, personalised recommendation of activities sequences has become an important challenge. However, most of recommender systems do not consider temporal constraints of activities, making the recommen- dation hard for user to follow. In this article, we describe a novel approach for recommendation of competing activities limited in time. It makes use of historical records of users’ activities in order to mine users’ behavioral patterns, and combines different contextual elements (popular- ity, demographic and spatio-temporal information). We present an evaluation framework and a dataset that will allow us to evaluate our approach.