L’objectif de la tâche T3 est de concevoir des mécanismes originaux favorisant la sémantisation des clusters, l’explication de nouveaux clusters ou encore de nouveaux profils d’évolution d’un ensemble de clusters. Proposer de nouveaux moyens d’identification et d’apprentissage des besoins et préférences de l’utilisateur afin de capitaliser des connaissances issues des données et des interactions entre le système et l’expert pour adapter son environnement à son savoir-faire et son contexte d’utilisation. Mise en place de mécanismes de génération de contraintes exploitables par les méthodes définies en tâche.
Tâche 3.1 – Étiquetage sémantique des clusters
Il existe de nombreuses méthodes capables d’utiliser des connaissances formalisées pour labelliser a posteriori des informations issues d’un processus non supervisé, voire de les utiliser directement dans le processus lui-même. Par contre, si cette connaissance est incomplète ou non formalisée, lorsqu’un profil d’un objet ou d’un cluster apparaît comme non répertorié dans la typologie du domaine, l’utilisation de textes liés est une façon de tenter d’associer une sémantique à ces objets ou clusters. Dans cette tâche, nous utiliserons les textes comme aide à la sémantisation.
Tâche 3.2 – Apprentissage des préférences
En pratique, si l’utilisateur a une idée de ce qu’il cherche, il a souvent du mal à exprimer ses besoins et à les traduire en des mécanismes opérationnels par les méthodes de clustering. Le but de cette tâche est de concevoir une méthodologie pour éliciter les préférences exprimant l’intérêt de l’utilisateur par rapport à un clustering et traduire ses préférences en contraintes opérables dans le processus collaboratif. Cet apprentissage de préférences à partir des retours de l’utilisateur face à un résultat reposera sur une fouille interactive.