1 / 35

Hager Karoui , Rushed Kanawati, Laure Petrucci LIPN, CNRS UMR 7030, Université Paris XIII

Une approche RàPC pour la formation de comité d’agents dans un système de recommandation égal à égal. Hager Karoui , Rushed Kanawati, Laure Petrucci LIPN, CNRS UMR 7030, Université Paris XIII 99, avenue Jean-Baptiste Clément F-93430 Villetaneuse, France. Contexte.

doria
Download Presentation

Hager Karoui , Rushed Kanawati, Laure Petrucci LIPN, CNRS UMR 7030, Université Paris XIII

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Une approche RàPC pour la formation de comité d’agents dans un système de recommandation égal à égal Hager Karoui , Rushed Kanawati, Laure Petrucci LIPN, CNRS UMR 7030, Université Paris XIII 99, avenue Jean-Baptiste Clément F-93430 Villetaneuse, France 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  2. Contexte • Domaine : Système coopératif P2P pour la gestion et la recommandation de références bibliographiques COBRAS. • Cadre : • Groupe d’utilisateurs ayant des centres d’intérêt communs (ex : chercheurs d’une équipe dans un laboratoire). • Tous les utilisateurs partagent la même hiérarchie de thèmes (structure arborescente). • La même hiérarchie est utilisée différemment par les utilisateurs. • But:Coopérer avec les bons agents pour avoir les bonnes références et réduire la charge du réseau. 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  3. Architecture du système Base de Cas Module d’enregistrement user Module de gestion Formation de comité Module de gestion Coopération Observation Agent Ag Recommandation BB Ag BC Base Bibliogra-phique Module de gestion BC BB 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  4. Problématique Agent assistant :Recommandation de bonnes références connues par les autres. Problème : Avec qui coopérer ? Motivations : • Améliorer les performances du système en réduisant le nombre d’agents à contacter • Améliorer la qualité des recommandations en réduisant le bruit dans les recommandations fournies 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  5. Solution proposée Hypothèses Dynamicité du groupe : groupe stable d’agents Approche Proposition d’une stratégie de formation de comité en utilisant le RàPC : - exploitation des historiques des interactions entre les agents -apprentissage des comités 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  6. Sommaire • Formation de comité : approches existantes • Stratégie de formation de comité • Principe • Modélisation • Description • Expérimentation • Paramètres de simulation • Stratégies et critères d’évaluation • Interprétation des résultats • Conclusion et Perspectives 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  7. Formation de comité : approches existantes • Expertise d’agent (système Bibster, Haase et. al., 04) • Expertise : ensemble de thèmes ACM. • Ontologie commune pour la publication des descriptions sémantiques des expertises. • Pas d’exploitation des expériences passées d’interaction. • Réputation d’agent (Gupta et al., 03) • Réputation : capacité et comportement d’un pair, idée sur le niveau de participation des pairs dans le système. • Hypothèse : existence d’une fonction de calcul de réputation et d’un agent central pour la mise à jour des scores de réputations. • Décision d’ajout d’agent (Ontañón et al., 03) • Cadre : tâche de classification. • Quand ajouter un nouvel agent au comité ? • Collaboration en cas de nécessité. 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  8. Stratégie de formation de comité Objectif :doter chaque agent d’une capacité d’apprentissage automatique pour associer à chaque thème d’intérêt, un sous-groupe d’agents les plus susceptibles de fournir des références en adéquation avec le thème d’intérêt. Thème d’intérêt Formation de comité Comité Historique d’interaction 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  9. Historique d’interaction Agent A Agent B … C D Demande de Recommandation (T) Références recommandées /T Module d’évaluation De l’agent A ME B ME C ME D 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  10. Modélisation • Garder trace de l’historique des interactions • Exploiter les évaluations faites par chaque agent Structure cas (Problème, Solution) où : • Problème : thème d’intérêt • Solution : comité d’agents pairs pertinents pour le thème d’intérêt 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  11. Processus de formation de comité • Se déclenche lors de la détection de thèmes d’intérêt courants par l’agent assistant • L’agent formule sa demande / requête de recommandation : (R = <A, T, L> ) où : • A : identifiant de l’agent initiateur • T : thème d’intérêt courant • L : liste de mots clés associés directement ou indirectement au thème T • Coopération entre l’agent initiateur et les autres agents (agents de recommandation) 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  12. Algorithme de l’Agent Initiateur (1) Début • Elaborer le cas cible (cas cible = un thème d’intérêt courant) • Rechercher tous les cas similaires au cas cible • Sipas de cas sources trouvésAlors • l’agent diffuse sa requête de recommandation (R) à tous les agents disponibles Sinon • L’agent sélectionne les cas sources dont la similarité au cas cible est au-dessus de la similarité moyenne des cas sources • Le comité formé = union des agents des cas sources retenus • L’agent diffuse sa requête de recommandation (R) à tous les agents du comité formé • Fin Si 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  13. Algorithme de l’Agent Initiateur (2) • Fusionnerles références résultats reçues • Proposer les références recommandées à son utilisateur • Évaluer les agents contactés (leur apport) en fonction de la réaction de l’utilisateur par rapport aux recommandations proposées • L’agent élabore alors un nouveau comité = agents “bien évalués” (agents qui ont proposé des références qui ont été appréciées par l’utilisateur) • Ajout du nouveau cas à la base de cas de comités (thème d’intérêt, nouveau comité) Fin 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  14. Algorithme de l’Agent de Recommandation Début • Appliquer son système RàPC de recommandation de références pour trouver des indices (où chercher les références ?) • Utiliser ces indices pour guider sa recherche dans sa base bibliographique, des références satisfaisant la requête reçue • Fusionner les références résultats de la recherche • Envoyer les recommandations de références à l’agent initiateur Fin 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  15. Expérimentation Paramètres de simulation : - 10 agents - seuil de la similarité des thèmes 0.7 - concept d’agent intéressant : agent disposant d’au moins de 70% de bonnes références Critères :de deux types (critère de qualité et critère de performance) 1. Bonnes_références_recommandées Bonnes_références 2. Bonnes_références_recommandées Toutes_les_références_recommandées 3. Taille_comité Nombre_d’agents_disponibles Rappel Précision Taux de réduction 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  16. Stratégies comparées • All : tous les agents disponibles • Random: choix de m agents aléatoirement parmi les n agents disponibles, m est égal au nombre d’agents intéressants • Committee: comité d’agents retourné par le RàPC 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  17. Évaluation du comité 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  18. Évaluation du comité 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  19. Évaluation du comité 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  20. Interprétation • Améliorer les performances du système en réduisant le nombre d’agents à contacter tout en préservant une même qualité de résultat (rappel et précision) • Pas suffisante : ne contacter ni les agents non intéressants, ni les agents intéressants proposant les mêmes références que les autres • Proposition de deux heuristiques : • Heuristique 1 : retenir uniquement les agents dont RL >= RMoy • Heuristique 2 : retenir uniquement les agents dont PL >= PMoy 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  21. Stratégie d’ajout de nouvel agent 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  22. Stratégie d’ajout de nouvel agent 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  23. Stratégie d’ajout de nouvel agent 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  24. Interprétation • Amélioration de la performance du système : au pire, nous sollicitons tous les agents intéressants • Préservation de la qualité des résultats • Légère amélioration de la précision • Les deux heuristiques (H 1 et H 2) présentent des résultats très similaires 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  25. Agent intéressant • Agent intéressant (AI) = agent disposant d’au moins de x% de bonnes références • Variation de x de 50 à 90 et étude de son effet sur les valeurs des critères • Même contexte de simulation • Sélection des agents : Heuristique 2 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  26. Effet du degré d’intérêt d’agent 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  27. Effet du degré d’intérêt d’agent 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  28. Effet du degré d’intérêt d’agent 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  29. Conclusion • Stratégie de formation de comité : permet de réduire le nombre d’agents à contacter • Utilisation de simples heuristiques : - Réduction du nombre d’agents à contacter - Contacter uniquement les agents intéressants - Préservation de la qualité des résultats - Légère amélioration de la précision 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  30. Perspectives • Travaux actuels • Recommandation de comité : les agents recommandent non seulement des références mais également des agents qu’ils jugent similaires. • Dynamicité du groupe d’agents: tenir compte du problème de connexion / déconnexion des agents. • Perspectives • Mise à jour des comités avec le changement des centres d’intérêt des utilisateurs. • Passage à l’échelle : application de la stratégie de formation de comité dans des environnements plus larges. 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  31. Description Simulation • Même contexte de simulation • Recommandation d’agents par les agents de recommandation • Tient compte de la connexion / déconnexion des agents (off) • Variation du taux de déconnexion (off) 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  32. Effet de la dynamicité du groupe 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  33. Effet de la dynamicité du groupe 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  34. Effet de la dynamicité du groupe 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

  35. Fin 14 ème Atelier de Raisonnement à Partir de Cas, Besançon, 30 – 31 Mars 2006

More Related