Summary: | Cette thèse à publications examine l'apport du contenu visuel à la suggestion d'images pour satisfaire les besoins à long-terme des utilisateurs. Le premier travail propose un modèle de suggestion qui se focalise sur la modélisation des images représentées par des descriptifs vectoriels non-gaussiens. Ce modèle adopte le mélange de lois de Dirichlet pour identifier les groupes homogènes d'images. De plus, il propose un nouvel algorithme d'apprentissage en-ligne qui pénalise la redondance visuelle et maximise la diversité des suggestions d'images pour mieux satisfaire les utilisateurs. Le deuxième travail propose un modèle de suggestion approprié pour la modélisation des descriptifs visuels non-gaussiens et de hautes dimensions. Il introduit la sélection de caractéristiques pour améliorer le regroupement d'images en réduisant automatiquement la contribution des dimensions non-informatives et bruitées. Pour apprenclre ce modèle, nous minimisons la longueur du message ce qui permet de calculer de façon non-supervisée la complexité du modèle. Le troisième travail propose une méthode de mise à jour de modèle de suggestion à partir des nouvelles images. De plus, cette méthode offre une nouvelle modalité d'interaction aux utilisateurs, appelée"retour de pertinence à long-terme", pour leur permettre d'exprimer continuellement leurs besoins à long-terme. Dans le quatrième travail, nous formulons la suggestion d'images comme un problème de prédiction. Nous proposons un modèle purement Bayesien pour pallier le problème de manque de données. Ce dernier modèle est général du moment que tous les autres modèles sont ses cas particuliers.
|