Interactive pattern mining framework with user preferences
Cadre interactif de fouille de motifs avec prise en compte des préférences de l'utilisateur
Résumé
The search for interesting patterns has evolved pattern mining into a user-centric model. For this purpose, interactive pattern mining allow one to exploit user preferences to ease the mining of interesting patterns. It consists of alternating between phases of pattern mining and learning phases on interesting patterns by introducing a feedback mechanism allowing the user to express his preferences. The preferences expressed are then exploited to learn and update a model of preferences which will be used to extract new patterns that are more interesting.This approach raises many methodological challenges, including the need of an efficient miner of diverse patterns and the choice of an accurate preference model. This thesis thus aims to propose some contibutions to the following points : a generic model for mining diverse patterns using constraint programming; a method for sampling diverse patterns exploiting the generic model; a new class of features using discriminant patterns; a new learning method using discriminant patterns for user preferences learning.
La recherche de motifs intéressants a fait évoluer la fouille de motifs vers un modèle centré sur l'utilisateur. Dans ce cadre, la fouille interactive de motifs permet de prendre en compte les préférences de l'utilisateur afin de guider la recherche vers les motifs pertinents. Elle consiste à alterner entre phases d’extraction de motifs et phases d’apprentissage sur les motifs intéressants en introduisant un mécanisme de feedback permettant à l'utilisateur d'exprimer ses préférences. Les préférences exprimées sont alors exploitées pour apprendre et mettre à jour un modèle de préférences qui sera utilisé pour extraire de nouveaux motifs plus intéressants.Cette démarche soulève de nombreux défis méthodologiques à relever parmi lesquelles la nécessité de produire rapidement des résultats diversifiés et le choix du modèle de représentation et d'exploitation des préférences exprimées. Les contributions de cette thèse concerne ainsi les point suivants : un cadre générique de fouille de motifs diversifiés exploitant la programmation par contrainte; l'exploitation de ce cadre pour l'échantillonnage de motifs diversifiés; une nouvelle classe de descripteurs exploitant les motifs discriminants; une nouvelle méthode d’apprentissage exploitant les motifs discriminants pour apprendre les préférences de l'utilisateur.