Recursive Path Orderings can be Context-Sensitive

2011

Les motifs séquentiels traditionnels ne tiennent généralement pas compte des informations contextuelles fréquemment associées aux données séquentielles. Dans le cas des séquences d'achats de clients dans un magasin, l'extraction classique de motifs se focalise sur les achats des clients sans considérer leur catégorie socio-professionnelle, leur sexe, leur âge. Or, en considérant le fait qu'un motif séquentiel est spécifique à un contexte donné, un expert pourra adapter sa stratégie au type du client et prendre les décisions adéquates. Dans cet article, nous proposons d'extraire des motifs de la forme « l'achat des produits A et B suivi de l'achat du produit C est spécifique aux jeunes clients ». En mettant en valeur les propriétés formelles de tels contextes, nous développons un algorithme efficace d'extraction de motifs séquentiels contextuels. Les expérimentations effectuées sur un jeu de données réelles montrent les apports et l'efficacité de l'approche proposée. 3 Motifs séquentiels contextuels Nous proposons dans cette section une description formelle de la notion de contexte, et définissons les notions nécessaires pour appréhender les motifs séquentiels contextuels.

Je tiens tout d'abord ई a remercier Joseph Sifakis, qui a bien voulu nous faire l'honneur de prउ esider le jury.

2021

Ce document résume 12 ans d'une carrière qui s'est construite au gré des rencontres, des opportunités et des échanges, sans lesquels rien de tout ça n'aurait été possible. La liste de remerciements est donc forcément longue, car j'ai toujours eu la chance d'avoir pu côtoyer des personnes qui m'ont inspirée et motivée. Ce document ne serait pas possible sans toutes ces personnes. Je tiens tout d'abord à remercier chaleureusement les membres du jury, qui ont tous promptement accepté de participer avec enthousiasme. Il était important pour moi de pouvoir vous présenter ce document et d'avoir votre avis sur toutes les questions et les propositions qu'il contient. Mes premiers remerciements vont donc à mes rapporteurs, Mme Florence Sedès, M. Philippe Roose et M. Philippe Lalanda. Je tiens ainsi remercier Mme Florence Sedès pour avoir accepté de rapporter ce document, mais également par l'exemple qu'elle représente à toutes les jeunes chercheuses de notre communauté. Je tiens aussi à remercier M. Philippe Roose non seulement pour avoir accepté d'être rapporteur de ce document, mais également pour m'avoir ouvert la voie avec ses recherches impliquant les communautés middleware et Système d'Information. Je tiens aussi à remercier Philippe par sa bonne humeur et pour m'avoir fait découvrir Biarritz, où des nombreuses étapes de ce document ont été rédigées. Du même, je remercie chaleureusement M. Philippe Lalanda d'avoir accepté de réaliser le rapport, mais aussi de vos travaux dans la communauté de l'Informatique Pervasive, qui ont toujours m'inspiré dans cette communauté. Au-delà des rapporteurs, je tiens également à remercier les autres membres du jury, à commencer par Mme Yolande Berbers. Yolande m'a accueilli à la K.U.Leuven pendant mon année de post-doc. Cette expérience m'a profondément marqué et a été certainement décisive pour la suite de ma carrière. Sans cette incroyable opportunité, je n'aurais jamais pu occuper le poste que j'occupe aujourd'hui. Merci, Yolande, de m'avoir tant appris. I would like also to thanks M. Massimo Villari for accepting to participate to this jury, but also for the fruitful collaborations we have started in these last years. All our discussions have enriched this document, as well as my future research. I hope this collaboration will last long. Grazie, Massimo! Je tiens aussi à remercier Mme Agnès Front d'avoir accepté de participer à ce jury. J'ai eu le privilège de côtoyer Agnès depuis mes années de thèse à Grenoble et d'avoir pu enrichir ma compréhension des Systèmes d'Information grâce à ses travaux. Je tiens également à la remercier de sa profonde gentillesse et de m'avoir tant inspiré. Tous mes remerciements aussi à Mme Chantal Taconet, dont les travaux sur la QoC représentent pour moi une véritable source d'inspiration. Je la remercie aussi pour m'avoir soufflé, au détour d'une conversation, l'argument qu'il me fallait pour pouvoir me lancer dans cette aventure. Merci. Ces remerciements ne seraient pas complets sans mes profonds remerciements à mes deux acolytes, sans qui ce document n'aurait jamais vu le jour et sans qui le travail à Paris ne serait sûrement pas aussi fun : Mme Bénédicte Le Grand et Mme Carine Souveyet. Bénédicte m'a toujours apporté son soutien, ce pourquoi je la remercie énormément. Je la remercie aussi pour son amitié, sa patience, ainsi que pour sa gentillesse et le fait d'être cette personne si solaire. Pouvoir partager les amphis avec toi, avec qui je partage une certaine idée de l'enseignement, c'est un privilège incalculable. Pouvoir compter sur toi parmi mes amis, aussi. Je tiens aussi à remercie Carine de m'avoir accompagné depuis le début de cette aventure. Nous avons pu discuter chaque détail de ce document. Sans tes remarques et tes questionnements, ce document n'aurait certainement pas vu le jour. Je la remercie également pour nous si nombreuses échanges et collaborations. Il s'agit d'autant de moments de plaisir et de partage, que j'espère pourront encore continuer longtemps. Des nombreuses perspectives de recherche nos attendent après ce document, et il nous reste encore un certain temps avant la retraite. J'ai aussi une pensée toute particulière à mes encadrants de thèse et de master, Hervé, Jérôme, Marlène et Valdeni. Je leur remercie chaleureusement, car c'est grâce à eux et à leurs enseignements que j'ai pu me lancer dans le chemin de la recherche. Impossible pour moi de ne pas remercier également tous mes collègues du CRI, qui doivent supporter mon caractère depuis tout ce temps. Je les remercie de m'avoir accueillie (coucou Rebecca ! coucou Raul !) et de m'avoir donné l'opportunité d'accueillir, à mon tour, d'autres chercheurs (coucou Irina !). Je les remercie tous pour tous ces moments de partage, aussi bien autour du labo que de la MIAGE. Au-delà de mes collègues au sein du CRI, je tiens également à remercier mon équipe de TD avec qui je partage ma passion pour l'enseignement : Emille, Meledje, Amina, Déborah, Bader et tant d'autres. Je les remercie d'être là pour nos étudiants, de nous faire confiance, à Bénédicte et à moi-même. Je n'aurais pas pu rédiger ce document sans avoir une équipe si géniale pour m'aider dans mes cours. En parlant d'enseignement, impossible de ne pas remercier également mes étudiants. Tout d'abord, je tiens à exprimer ici toute ma gratitude à mes étudiants en thèse (Salma, David, Ali et Assia), sans qui ce document serait certainement beaucoup moins épais. Je voulais aussi remercier les autres doctorants et ATERs du laboratoire (ceux qui sont encore là et ceux qui sont déjà partis), Floriane, Nourhène, Sana, Kahina et tant d'autres, pour tous ces moments d'échange et de partage. Je tiens également à remercier à tous mes étudiants de licence et de master, qui sont mon moteur, ma source de motivation, des véritables rayons de soleil qui illuminent mes journées. Merci à mes « petites pestes adorées » d'avoir permis de partager ce bout de chemin avec vous, tant en cours qu'à travers vos mémoires. J'ai beaucoup appris grâce à vous (ou à cause de vous). Je ne sais pas si j'ai réussi à vous apprendre quelque chose, mais si j'ai pu au moins vous montrer qu'on peut être passionnée par son métier, ça aurait déjà valu la peine. Je dois aussi remercier à tous mes amis. Ils ne sont pas nombreux, mais ils comptent beaucoup pour moi. Je les remercie tous, ceux qui sont très loin (promis Audrey, cette année je viens au Canada), à ceux qui sont un peu moins loin (Céline, Marius et les enfants Romain et Olivia que j'adore tant), à ma deuxième famille (Léo, Marina et les princesses Sophie et Alice). Je suis probablement la pire amie qu'on puisse imaginer tant je communique peu, mais vous êtes toujours là dans mes pensées. Tous mes remerciements aussi à ma famille, sans qui absolument rien n'aurait été possible. Je remercie mes soeurs (Damaris et Esther), mon frère Ramiro et sa famille (Mari et les filles Luiza, Bianca et Carolina), à ma mère Sandra. Vous êtes ma plus grande source d'inspiration. Même si on est loin, vous êtes toujours là pour moi. Merci surtout à ma mère. Si je suis ici, si j'ai pu devenir quelqu'un, c'est grâce à toi, à ton exemple, à tes valeurs qui sont aujourd'hui les miennes. Merci. J'espère pouvoir te rendre toujours fière. Enfin, un grand merci à mon mari Angelo, mon Angelo. Tu as su m'aider, tu m'as portée sur tes épaules, tu m'as supportée dans tous les sens du terme. Ça n'a pas été toujours simple, mais on est là, et on sera toujours là… Merci. * * 5 Synthèse des questions La roadmap présentée dans ce chapitre analyse les différents défis de la gestion de contexte, organisés en six dimensions. Chaque dimension prend en compte un aspect précis de la gestion de contexte et ses préoccupations en matière de qualité.

Archives

Ce document est protégé par la loi sur le droit d'auteur. L'utilisation des services d'Érudit (y compris la reproduction) est assujettie à sa politique d'utilisation que vous pouvez consulter en ligne. https://apropos.erudit.org/fr/usagers/politique-dutilisation/ Cet article est diffusé et préservé par Érudit. Érudit est un consortium interuniversitaire sans but lucratif composé de lVolume 48, numéro 2, 2019 URI : https://id.erudit.org/iderudit/1067523ar DOI : https://doi.org/10.7202/1067523ar Aller au sommaire du numéro Éditeur(s) Association des archivistes du Québec (AAQ) ISSN 0044-9423 (imprimé) 2369-9256 (numérique) Découvrir la revue Citer cet article Popovici, B. F. (2019). Records in contexts : vers un nouveau niveau dans la description archivistique ? Archives, 48 (2), 7-39. https://doi.org/10.7202/1067523ar

2014

In ubiquitous computing, activity recognition systems can be used to label large sets of data. Recognition of activities from data sensors is a key paradigm in ubiquitous computing. Variability in human activities, deployment sensors characteristics, and application domains leads to the elaboration of best practices and methods to improve robustness of activity recognition systems. Classification is an important step who aims to yield the recognition process more expressive and reduce uncertainty, therefore minimize representation. In this report, we address classification methods and showed explicitly how they are used for activity recognition. We propose a method which uses the clustering algorithm k-Medoids. Different stages of construction of the model of classification are showed in detail. Finally validation results are presented.

HAL (Le Centre pour la Communication Scientifique Directe), 2015

L'observation d'une activité pour comprendre des comportements particuliers nécessite de discerner ce qui relève ou non du contexte. En intelligence artificielle la notion de contexte est une approche modale du raisonnement et plusieurs études ont été faites pour proposer des modèles génériques de représentation des connaissances contextuelles. La question de la découverte interactive des connaissances contextuelles et de leur inscription dans un modèle générique n'est toutefois que rarement examinée dans la littérature. Cette communication propose une approche exploitant le potentiel de la représentation de l'activité par ses traces modélisées d'interaction. Elle consiste à assister la découverte du contexte explicatif par une approche interactive associant l'analyse des données, les connaissances de l'analyste et leur mise en situation dans les traces modélisés. Cette approche interactive facilite l'élicitation de ce qui est contexte ou non. De plus, nous montrons qu'il est alors possible de représenter le contexte découvert sous une forme générique telle que proposée dans la littérature spécialisée. La méthode a été implémentée et a permis la découverte de contextes explicatifs pour la consommation en carburant lors de l'activité de conduite automobile. Les expérimentations, les données et les analyses ont été menées à l'IFSTTAR dans des conditions de conduite réelles.

2008

The purpose of this paper is to discuss a simulation of marketing budgeting rules that is based on a simplified version of the market share attraction model. The budgeting rules are roughly equivalent to those that may be used in practice. The simulation illustrates the concept of path dependence in dynamic marketing systems and shows how it might result from decision rules potentially applied by marketers and retailers. Path dependence results from positive feedback in dynamic systems that imparts momentum to market choices. Where the potential for path dependence exists, there are implications for defining and measuring long-term effects of marketing decisions in a way that is meaningful to managers and researchers. In the simulations presented we show that limited retails assortment may contribute to path dependence when firms use either percentage-of-revenue rules or "market learning" experiments to set budgets. While other budgeting procedures (e.g., matching competit...

Ingénierie Des Systèmes D'information, 2013

La prise en compte des préférences utilisateur constitue un moyen puissant pour personnaliser des réponses dans le cadre de l'évaluation de requêtes. De nombreux travaux existent sur les préférences dans le cadre de requêtes pour SGBD relationnels mais peu pour l'évaluation de requêtes sur flux de données. Les propositions existantes concernent essentiellement des requêtes de type skyline, top-k et top-k dominantes combinées avec l'opérateur de fenêtre glissante. Cet article propose une solution qui enrichit les travaux existants sur la personnalisation de requêtes sur les flux de données en proposant des opérateurs relationnels qui prennent en compte les préférences et le contexte de l'utilisateur pour filtrer les réponses d'une large gamme de requêtes. Des algorithmes pour implémenter les nouveaux opérateurs de préférences sont proposés et leur performance est validée sur des données réelles du marché financier.

Ingénierie des systèmes d'information, 2008

Une décision contextuelle du chargement : en se basant sur la vue unifiée des dépôts distants, les services, composants et leurs dépendances sont représentés sous la forme d'un graphe bidimensionnel (cf 3.2.1). Nous exploitons