Read more
Les systèmes de recommandation sont des applications électroniques largement utilisés en industrie et dont l'objectif est de soutenir l'utilisateur dans sa prise de décision. Parmi les problèmes que rencontrent ces systèmes dans le contexte industriel, la recommandation des nouveaux produits et des produits de faible demande. Nous présentons un algorithme de clustering textuel DCHFS basé sur la sélection d'attributs pour résoudre ces problèmes en regroupant les produits. En effet, le regroupement est connu par sa capacité d'organisation automatiquement d'un grand nombre de documents afin d'en extraire des connaissances utiles. Le souci de ce mécanisme est que la représentation vectorielle des documents génère un grand espace d'attributs contenant des composantes inutiles et pouvant conduire le processus de regroupement en erreur. D'où l'importance des méthodes de sélection d'attributs statistiques et sémantiques. En combinant notre algorithme DCHFS via un modèle linéaire avec un module de filtrage collaboratif, notre système hybride résultant contribue à l'amélioration de la qualité des recommandations et la résolution des problèmes liés aux produits.
About the author
Asmaa BENGHABRIT is an Associate Professor at ENSMR - Rabat, Morocco. She hold a PhD (2015, Document Clustering for Industrial Recommender Systems) from ENSAM-Meknes, and an engineer degree (2010, computer science) from ENSMR-Rabat, Morocco. Her research interests knowledge discovery, Data Mining, Text Mining, Recommender Systems and Big Data.
