Optimization of recommender systems using knowledge graphs / Boualem Mokeddem (2025)

Public ISBD Titre : Optimization of recommender systems using knowledge graphs Type de document : document électronique Auteurs : Boualem Mokeddem, Auteur ; Hocine Islam Guia, Auteur ; Samia Beldjoudi, Directeur de thèse ; Amel Bouzeghoub, Directeur de thèse ; Vincent Gauthier, Directeur de thèse Editeur : [S.l.] : [s.n.] Année de publication : 2025 Importance : 1 fichier PDF (2.4 Mo) Présentation : ill. Note générale : Mode d'accès : accès au texte intégral par intranet. Mémoire de Projet de Fin d’Études : Génie Industriel.Date Science et intelligence artificiel : Alger, École Nationale Polytechnique : 2025 Bibliogr. p. 71 - 72 .- Annexe p. 73 - 75 Langues : Anglais (eng) Mots-clés : Recommendation System Knowledge graph Embedding Index. décimale : PI01025 Résumé : Spatial and temporal recommendation systems struggle to fully exploit the geographic context. However, information on administrative areas and relationships between points of interest remains largely underutilized. This thesis proposes to integrate an urban knowledge graph to fill this gap. Several prediction models are compared, such as: Each architecture is trained twice, without any graph information, and by injecting KG embeddings as static features or initial states. By combining symbolic reasoning (knowledge graph) and spatiotemporal deep learning, this study shows that an explicit geographic context significantly improves the accuracy of place recommendations. Optimization of recommender systems using knowledge graphs [document électronique] / Boualem Mokeddem, Auteur ; Hocine Islam Guia, Auteur ; Samia Beldjoudi, Directeur de thèse ; Amel Bouzeghoub, Directeur de thèse ; Vincent Gauthier, Directeur de thèse . - [S.l.] : [s.n.], 2025 . - 1 fichier PDF (2.4 Mo) : ill. Mode d'accès : accès au texte intégral par intranet. Mémoire de Projet de Fin d’Études : Génie Industriel.Date Science et intelligence artificiel : Alger, École Nationale Polytechnique : 2025 Bibliogr. p. 71 - 72 .- Annexe p. 73 - 75 Langues : Anglais (eng) Mots-clés : Recommendation System Knowledge graph Embedding Index. décimale : PI01025 Résumé : Spatial and temporal recommendation systems struggle to fully exploit the geographic context. However, information on administrative areas and relationships between points of interest remains largely underutilized. This thesis proposes to integrate an urban knowledge graph to fill this gap. Several prediction models are compared, such as: Each architecture is trained twice, without any graph information, and by injecting KG embeddings as static features or initial states. By combining symbolic reasoning (knowledge graph) and spatiotemporal deep learning, this study shows that an explicit geographic context significantly improves the accuracy of place recommendations.

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité	Spécialité	Etat_Exemplaire
EP00979	PI01025	Ressources électroniques	Bibliothèque centrale	Projet Fin d'Etudes	Disponible	Data sciences_Intelligence artificielle	Téléchargeable