Dans cette thèse, nous exploitons cette opportunité et proposons d’analyser les données utilisateurs en formant des groupes d’utilisateurs. Cela diffère de l’analyse des utilisateurs individuels et aussi des analyses statistiques sur une population entière. Un groupe utilisateur est défini par un ensemble des utilisateurs dont les membres partagent des données socio-démographiques et ont des activités en commun. L’analyse au niveau d’un groupe a pour objectif de mieux gérer les données creuses et le bruit dans les données. Dans cette thèse, nous proposons un cadre de gestion de groupes d’utilisateurs qui contient les composantes suivantes: découverte de groupes, analyse de groupes, et recommandation aux groupes.

 

La première composante concerne la découverte des groupes d’utilisateurs, c.-à-d., compte tenu des données utilisateurs brutes, obtenir les groupes d’utilisateurs en optimisant une ou plusieurs dimensions de qualité. Le deuxième composant (c.-à-d., l’analyse) est nécessaire pour aborder le problème de la surcharge de l’information: le résultat d’une étape découverte des groupes d’utilisateurs peut contenir des millions de groupes. C’est une tache fastidieuse pour un analyste à écumer tous les groupes trouvés. Nous proposons une approche interactive pour faciliter cette analyse. La question finale est comment utiliser les groupes trouvés. Dans cette thèse, nous étudions une application particulière qui est la recommandation aux groupes d’utilisateurs, en considérant les affinités entre les membres du groupe et son évolution dans le temps.

 

Toutes nos contributions sont évaluées au travers d’un grand nombre d’expérimentations à la fois pour tester la qualité et la performance (le temps de réponse).