Description
Date depot: 3 avril 2025
Titre: Large Language Models for Personalized, Multimodal, and Explainable Recommendation and Information Retrieval
Directrice de thèse:
Laure SOULIER (ISIR (EDITE))
Directeur de thèse:
Vincent GUIGUE (ISIR (EDITE))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé: Ce sujet de thèse vise à construire et évaluer de nouveaux systèmes de recommandation basés sur le filtrage collaboratif mais bâtis dans des espaces de représentation textuelle.
En combinant des techniques de d’analyse de sentiments et d’apprentissage de profils, nous proposons d’apprendre des représentations d’utilisateur versatiles. Ces représentations auront une double vocation : d’une part, prédire précisément les items susceptibles d’intéresser l’utilisateur ; d’autre part, générer les revues ou avis que l’utilisateur pourrait écrire sur ces items. L’objectif est ainsi d’améliorer la pertinence des recommandations grâce à une compréhension approfondie de l’utilisateur, tout en facilitant l’explicabilité des choix effectués par la génération de textes explicatifs.
Dans un second temps, l’idée de cette thèse est d’exploiter les systèmes de recherche d’information basés sur le dialogue. Un dialogue qui doit permettre d’affiner la requête utilisateur sur le plan de la pertinence
mais aussi un dialogue tourné vers le profil lui-même, afin de le rendre plus transparent, contrôlable et modifiable directement par l’utilisateur.
Enfin, ces travaux incluent une importante dimension évaluative, liée aux défis spécifiques à l’évaluation de textes générés automatiquement. Les modèles de langage à grande échelle (LLMs) nécessitent en effet
la création et la validation de nouvelles métriques d’évaluation, adaptées aux approches personnalisées proposées dans cette thèse.