Large-Scale Sequential Learning for Recommender and Engineering Systems - Laboratoire d'Informatique de Grenoble Accéder directement au contenu
Thèse Année : 2022

Large-Scale Sequential Learning for Recommender and Engineering Systems

Apprentissage séquentiel à grande échelle pour les systèmes d'ingénierie et de recommandation

Résumé

In this thesis, we focus on the design of an automatic algorithms that provide personalized ranking by adapting to the current conditions. To demonstrate the empirical efficiency of the proposed approaches we investigate their applications for decision making in recommender systems and energy systems domains.For the former, we propose novel algorithm called SAROS that take into account both kinds of feedback for learning over the sequence of interactions. The proposed approach consists in minimizing pairwise ranking loss over blocks constituted by a sequence of non-clicked items followed by the clicked one for each user. We also explore the influence of long memory on the accurateness of predictions. SAROS shows highly competitive and promising results based on quality metrics and also it turn out faster in terms of loss convergence than stochastic gradient descent and batch classical approaches.Regarding power systems, we propose an algorithm for faulted lines detection based on focusing of misclassifications in lines close to the true event location. The proposed idea of taking into account the neighbour lines shows statistically significant results in comparison with the initial approach based on convolutional neural networks for faults detection in power grid.
Dans cette thèse, nous nous intéressons à l'étude des algorithmes d'apprentissage qui fournissent un ordonnancement personnalisé en s'adaptant au contexte. Pour démontrer l'efficacité empirique des approches proposées, nous étudions leurs applications pour la prise de décision dans les domaines des systèmes de recommandation et des systèmes énergétiques.Pour notre étude concernant les systèmes de recommandation, nous proposons un nouvel algorithme appelé SAROS qui prend en compte les deux types de retours utilisateurs pour apprendre leurs appétances. L'approche proposée consiste à minimiser la perte d'ordonnancement par paires de produits dans des blocs d'interactions constitués d'une séquence d'éléments avec un retour négatif (ou non cliqués) suivis d'un produit avec un retour positif pour chaque utilisateur. Nous explorons également l'influence de la mémoire longue sur la précision des prédictions. Notre algorithme montre des résultats hautement compétitifs et prometteurs basés sur des métriques de qualité et il s'avère également plus rapide en termes de convergence par rapport à la descente de gradient stochastique et les approches classiques par lots.En ce qui concerne les réseaux électriques, nous proposons un algorithme de détection des lignes défaillantes basé sur la focalisation des erreurs de classification dans les lignes proches du véritable emplacement de l'événement. L'idée proposée de prendre en compte les lignes voisines montre des résultats statistiquement significatifs par rapport à l'approche initiale basée sur les réseaux de neurones convolutifs pour la détection des défauts dans le réseau électrique.
Fichier principal
Vignette du fichier
BURASHNIKOVA_2022_archivage.pdf (3.36 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03727258 , version 1 (19-07-2022)
tel-03727258 , version 2 (06-06-2023)

Identifiants

  • HAL Id : tel-03727258 , version 2

Citer

Aleksandra Burashnikova. Large-Scale Sequential Learning for Recommender and Engineering Systems. Programming Languages [cs.PL]. Université Grenoble Alpes [2020-..]; Skolkovo Institute of Science and Technology (Moscou), 2022. English. ⟨NNT : 2022GRALM057⟩. ⟨tel-03727258v2⟩
62 Consultations
20 Téléchargements

Partager

Gmail Facebook X LinkedIn More