Hassan Nourredine (2012-2015)

Title: la recherche d’expertise basée sur l’utilisation des caracteristiques multiples et non-traditionelles

Abstract:Le progrès accéléré dans la science avec le rôle actif des médias et des moyennes de communication – principalement le web – rend la personne en face d’une tâche difficile, à trouver des informations appropriées au cours d’une brève période. Dans un contexte plus étroit, de nombreuses recherches ont été créés dans le domaine de la recherche d’expertise, comme une tâche intéressante et compliquée pour la communauté scientifique, face à cette énorme quantité de données dispersées à travers le web. Cette thèse, dans sa perspective théorique et pratique à la fois, sonde sur la recherche d’expertise dans des domaines définis. Notre objectif principal est de développer un Framework intégré pour l’analyse des données structurées et non-structurées sur web, afin de construire des profils validés et compréhensifs des chercheurs, puis les classer suivant leurs expertises dans les différents domaines scientifiques.
Notre attention sera dirigée vers l’ensemble des chercheures dans le domaine informatique. L’étude des approches existantes et les modèles utilisés, plus la croissance rapide des données structurées et non structurées sur web nous a motivé de proposer une nouvelle approche de recherche d’expertise dans ce domaine. L’idée principale est d’introduire de nouvelles évidences d’expertise à un modèle convenable parmi les modèles de recherches d’expertise disponibles. Ce modèle est capable de traiter des caractéristiques (évidences) hétérogènes, d’où les évidences proposées sont considérées des indicateurs d’expertise fortes et non traditionnelles. La réalisation de cet objectif passe par plusieurs défis qui sont abordés au sein de notre Framework proposé « FeBES ».
Le premier défi réside dans la construction des profils compréhensifs et confirmés avec la présence des données redondantes, en conflits, et non-actualisées. Notre solution est basée sur la corrélation entre les profils des chercheures provenant des sources hétérogènes. Le concept de corrélation entre les attributs des profils provenant des sources multiples peut contribuer a validé l’exactitude et la qualité des données. Ce concept a été appliqué sur deux niveaux : le niveau de source individuel et le niveau des sources multiples. Premièrement il est appliqué sur la source qui souffre du problème d’ambiguïté de nom. Où les profils des auteurs ayant le même nom sont séparés. Puis, il est appliqué entre les sources multiples, où nous avons profitée des attributs communs pour fusionner les profils provenant des sources hétérogènes. Les résultats expérimentaux ont prouvé la validité de notre approche dans le fusionnement des profils distribués et la génération des profils validés et compréhensifs. Notant que le profilage est considéré comme une étape préparatoire pour la tâche de recherche d’expertise, par laquelle on regroupe les évidences associées à chaque chercheur.
Le deuxième défi a été dans le calcul d’expertise des chercheurs dans le sujet indiqué par l’utilisateur. Dans ce contexte le but d’introduire des caractéristiques non-traditionnelles est appliqué. Sur la base des profils générés, notre Framework est capable à extraire les caractéristiques – traditionnelles et non traditionnelles – exigées pour la tâche de calcul d’expertise, où le modèle d’apprentissage a été appliqué à cause de son capacité à traiter les caractéristiques hétérogènes. Les nouvelles caractéristiques proposées sont l’adhésion d’un chercheur à des comités des conférences, et les classements de ses conférences dans lesquelles il a publié. Les tests effectués ont prouvés l’efficacité de notre approche par la choie des caractéristiques et par la choie du modèle. Par conséquence, nous avons ouvert la porte à l’introduction des nouvelles caractéristiques qui reflètent un impact élevé et capables à améliorer la tâche de recherche d’expertise.

Links: