LinkedVis: Exploring Social and Semantic Career Recommendations - Par Lotfi Kesraoui Étudiant en Génie Physique D.E.S.S , année 2013 Dans le cadre ...
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
LinkedVis: Exploring Social and Semantic Career Recommendations Par Lotfi Kesraoui Étudiant en Génie Physique D.E.S.S , année 2013 Dans le cadre du cours d’interfaces intelligentes
Équipe de chercheurs
Table des Matières • Pertinence du travail • Introduction • Résumé du système • L’interface • Et si je choisissais ceci et cela ... • L’approche • Les 4 modèles • Similarité entre les utilisateurs • L’item populaire • L’évaluation par l’utilisateur
Pertinence du travail • Le choix de carrière est une des questions les plus tranchantes que nous avons. • Le lieu de travail l’est de même. • Pour de mêmes études on peut avoir deux titres différents qui nous stimulent différemment. • Pour un même titre, on peut travailler en deux lieux qui nous motivent différemment. • Mieux orienter l’étudiant vers un choix de carrière va apporter beaucoup de répercutions positives. • Meilleure stimulation dans les études • Meilleur effort au travail • Moindre décrochage aux études et meilleure qualité de travail.
Introduction • Les algorithmes de recommandations sont devenus un terrain très intéressant pour les informaticiens. • De nombreux algorithmes sont ajoutés aux moteurs de recherche qui améliorent la qualité des résultats. • LinkedVis fait partie de ces systèmes. • Axé : Sur la recommandation d’une compagnie et d’un rôle • Cette étude a porté sur 47 utilisateurs et sur leur ‘’connexions LinkedVis’’ • Une connexion LinkedVis c’est toutes les connections qui sont faites entres les employés en fonction de leur ‘’backround scolaire et professionnel’’
Résumé du système
Session: Recommendation IUI'13, March 19–22, 2013, Santa Monica, CA, USA
Figure1. Screenshot of theLinkedVis Recommender System.
• A novel approachthat uses NLP and entity resolution steps and roles – this feature received the highest user satisfac
to improve traditional collaborative filtering for job rec- tion in the post-study questionnaire. Overall, our evaluaInterface Session: Recommendation
• L’interface est séparé en trois parties :
• 1) Le profil
• 2) Les connexions (personnes)
• 3) Les recommandations
• On évalue l’interaction entre
• les personnes
Figure3. Three-step approach of LinkedVis.Et si je choisissais ceci et cela...
• Fonction intéressante :
• Ajouter des choix d’étude et de compréhension d’autre outils
• On arrive à voir quels emplois on pourrait faire en conséquence
• Ou quelle compagnie on pourrait y travailler
Session: Recommendation IUI'13, March 19–22, 2013, Santa Monica, CA, USA
• Modification
descriptions en temps
of content aregenerally notavailable. réel !
Collabora-
ivefiltering (CF) approaches [7][14][19][20][22], attempt to
model the normal social process of asking a friend for a rec-
ommendation. Inbrief, CF algorithms generaterecommenda-
ions based on the opinions of a neighborhood of users who
have rated similarly in the past. CF methods perform well
n rich data environments where there is plenty of overlap in
user preference. They are capable of making good predic-
ions on non-machine analyzable data such as music, since
hey rely on human evaluation of the candidate items. For
he same reason, these methods tend to be less narrow than Figure 2. I llustration of the “what-if” scenario feature of LinkedVis.
Users areable to add new hypothetical entities to their profile (left) and
content-based approaches, andcanproduceserendipitous rec- see how that affects the recommendations (right), i.e. whether the new
ommendations [20]. Another relevant class of recommender entity brings them closer to their dream jobs.
systemalgorithms use knowledge fromdomain specialists to
produce recommendations. These are commonly known asL’approche • On doit évaluer la similarité des utilisateurs. • Pour ce faire, il faut développer un model et avoir une mesure de similarité. LinkedVis : Utilisé par plus de 150 millions de personnes On décrira des utilisateurs par des mots-clés : ‘’MIT ‘’ ; ‘’ingénieur logiciel’’ Il y a 4 modèles qu’on compare...
Les 4 modèles ‘’Occurrence Matching’’ - attribue un poids de 1 TFIDF : ‘’Terme frequency inverse document frequency’’ permet d’attribuer un poids à chaque terme. Semantic Resolution with occurrence matching Semantic Resolution with TFIDF
erally used in the field of recommender systems. We
adapted Pearson’s correlation coefficient formula to acc
forSimilarité entre in
the fact that entities lesusers’
utilisateurs
profiles are binary an
not• C’est
contain
fait scaled ratings.
en fonction The similarity
du backround of each Link
profesionnel
connection to theactiveuser is given by:
• Modification de la correlation de Pearson :
T W CEuser ,con i
Wcon i =p 2 2
T W Euser ·T W Econ i
where T W CEx,y is the total weight of the entities x a
havecommon, and T W Ex is the total weight of user x’
tities.Évaluation
La problématique de l’item populaire
Session: Recommendation IUI'13, March 19–22, 2013, Santa Monica, CA, USA
Figure4. Leave-One-Out analysis results showing medians of how often theleft-out entity appeared in thetop N recommendations.L’item populaire...
Figure4. L eave-One-Out analysis results showing medians of how often theleft-out entity appeared in thetop N recommendations.
Figure 5. Results from the Diversity analysis. On the left, we show a histogram of the number of occurrences of companies and roles in the whole
corpus of data (5372 L inkedIn users). Themajority of thecompanies and roles, 85.8% and 85.3% respectively, occurred only once(10665 out of 12425
companies total and 8582 out of 10066roles total). On theright, for each model wecalculated theaveragefrequency per user of histop 20recommended
companies / roles.
Companies Roles
Model Mean StDev Mean StDev
These results suggest that the semantic augmentation pro-
O 0.016 0.010 0.025 0.012 duced morediverse recommendations.
T 0.017 0.010 0.030 0.013
OS 0.005 0.004 0.024 0.011 EVALUATION VIA A USER STUDY
TS 0.006 0.004 0.027 0.010
Weconducted asuperviseduser study to obtain moreinsights
Companies Roles
Model 1 Model 2 t P Val t P Val on our main contributions in recommendation accuracy, ex-
O OS 10.662Évaluation par l’utilisateur - Familiarisation avec le système - Ajustement des spécifications - Si j’avais choisis cela ou cela ... - Évaluer les recommandations données
IUI'13, March 19–22, 2013, Santa Monica, CA, USA
Évaluation par l’utilisateur
dence
Figure7. Post-study questionnaireresults.
man-
the what-if scenario feature of the user interface, i.e. the op-MERCI POUR
VOTRE ATTENTION
Vous pouvez aussi lire
