Vers un Filtrage Collaboratif Distribué : le modèle RSB
Identifieur interne : 004269 ( Crin/Corpus ); précédent : 004268; suivant : 004270Vers un Filtrage Collaboratif Distribué : le modèle RSB
Auteurs : Sylvain Castagnos ; Anne Boyer ; François CharpilletSource :
English descriptors
- KwdEn :
Abstract
Le terme de filtrage collaboratif [7] désigne les techniques utilisant les goûts connus d'un groupe d'utilisateurs pour prédire la préférence inconnue d'un nouvel individu. La particularité des procédés actuels de filtrage collaboratif est d'être centralisée. La problématique scientifique consistait donc à trouver un moyen de distribuer les calculs, afin d'assurer le passage à l'échelle pour des dizaines de milliers d'individus, ou encore préserver l'anonymat des utilisateurs (les données personnelles restent du côté client). L'impact d'un modèle combinant plusieurs méthodes existantes pour répartir les tâches entre le serveur et les postes clients est examiné dans cet article. Un partenariat avec la société ASTRA permet de recourir aux données de leur base et d'effectuer des tests grandeur nature pour vérifier l'efficacité des solutions proposées.
Links to Exploration step
CRIN:castagnos05bLe document en format XML
<record><TEI><teiHeader><fileDesc><titleStmt><title xml:lang="en" wicri:score="8">Vers un Filtrage Collaboratif Distribué : le modèle RSB</title></titleStmt><publicationStmt><idno type="RBID">CRIN:castagnos05b</idno><date when="2005" year="2005">2005</date><idno type="wicri:Area/Crin/Corpus">004269</idno></publicationStmt><sourceDesc><biblStruct><analytic><title xml:lang="en">Vers un Filtrage Collaboratif Distribué : le modèle RSB</title><author><name sortKey="Castagnos, Sylvain" sort="Castagnos, Sylvain" uniqKey="Castagnos S" first="Sylvain" last="Castagnos">Sylvain Castagnos</name></author><author><name sortKey="Boyer, Anne" sort="Boyer, Anne" uniqKey="Boyer A" first="Anne" last="Boyer">Anne Boyer</name></author><author><name sortKey="Charpillet, Francois" sort="Charpillet, Francois" uniqKey="Charpillet F" first="François" last="Charpillet">François Charpillet</name></author></analytic></biblStruct></sourceDesc></fileDesc><profileDesc><textClass><keywords scheme="KwdEn" xml:lang="en"><term>bayesian networks</term><term>collaborative filtering</term><term>decentralized algorithm</term><term>pearson
correlation coefficient</term><term>recommendations</term></keywords></textClass></profileDesc></teiHeader><front><div type="abstract" xml:lang="fr" wicri:score="-2611">Le terme de filtrage collaboratif [7] désigne les techniques utilisant les goûts connus d'un groupe d'utilisateurs pour prédire la préférence inconnue d'un nouvel individu. La particularité des procédés actuels de filtrage collaboratif est d'être centralisée. La problématique scientifique consistait donc à trouver un moyen de distribuer les calculs, afin d'assurer le passage à l'échelle pour des dizaines de milliers d'individus, ou encore préserver l'anonymat des utilisateurs (les données personnelles restent du côté client). L'impact d'un modèle combinant plusieurs méthodes existantes pour répartir les tâches entre le serveur et les postes clients est examiné dans cet article. Un partenariat avec la société ASTRA permet de recourir aux données de leur base et d'effectuer des tests grandeur nature pour vérifier l'efficacité des solutions proposées.</div></front></TEI><BibTex type="inproceedings"><ref>castagnos05b</ref><crinnumber>A05-R-260</crinnumber><category>3</category><equipe>MAIA</equipe><author><e>Castagnos, Sylvain</e><e>Boyer, Anne</e><e>Charpillet, François</e></author><title>Vers un Filtrage Collaboratif Distribué : le modèle RSB</title><booktitle>{Modèles Formels de l'Interaction - MFI'05, Caen, France}</booktitle><year>2005</year><pages>260 - 268</pages><month>may</month><publisher>Cépaduès éditions</publisher><keywords><e>collaborative filtering</e><e>recommendations</e><e>decentralized algorithm</e><e>bayesian networks</e><e>pearson
correlation coefficient</e></keywords><abstract>Le terme de filtrage collaboratif [7] désigne les techniques utilisant les goûts connus d'un groupe d'utilisateurs pour prédire la préférence inconnue d'un nouvel individu. La particularité des procédés actuels de filtrage collaboratif est d'être centralisée. La problématique scientifique consistait donc à trouver un moyen de distribuer les calculs, afin d'assurer le passage à l'échelle pour des dizaines de milliers d'individus, ou encore préserver l'anonymat des utilisateurs (les données personnelles restent du côté client). L'impact d'un modèle combinant plusieurs méthodes existantes pour répartir les tâches entre le serveur et les postes clients est examiné dans cet article. Un partenariat avec la société ASTRA permet de recourir aux données de leur base et d'effectuer des tests grandeur nature pour vérifier l'efficacité des solutions proposées.</abstract></BibTex></record>Pour manipuler ce document sous Unix (Dilib)
EXPLOR_STEP=$WICRI_ROOT/Wicri/Lorraine/explor/InforLorV4/Data/Crin/Corpus
HfdSelect -h $EXPLOR_STEP/biblio.hfd -nk 004269 | SxmlIndent | more
Ou
HfdSelect -h $EXPLOR_AREA/Data/Crin/Corpus/biblio.hfd -nk 004269 | SxmlIndent | more
Pour mettre un lien sur cette page dans le réseau Wicri
{{Explor lien
|wiki= Wicri/Lorraine
|area= InforLorV4
|flux= Crin
|étape= Corpus
|type= RBID
|clé= CRIN:castagnos05b
|texte= Vers un Filtrage Collaboratif Distribué : le modèle RSB
}}
| This area was generated with Dilib version V0.6.33. |  |