Nom du congrès Lieu - date 1 Traces d'Interaction au sein d'un Environnement de Collaboration Qiang...

Nom du congrès Lieu - date 1

Traces d'Interaction au sein d'un Environnement

de Collaboration

Qiang LI

Atelier Trace IC 2011 16/05/2011 Chambéry

Nom du congrès Lieu - date

Plan

216/05/2011 Chambéry Atelier Trace IC 2011

• Trace & Trace numérique (TN)

• Web Mining – Web Usage Mining

• Trois Niveaux de Trace Numérique

• Environnement: E-MEMORAe 2.0

• Conclusion et Perspective

Nom du congrès Lieu - date 316/05/2011 Chambéry Atelier Trace IC 2011


TraceEtymologieLatin:«tractiare»--L’action de tirer.

« Une suite d’empreintes laissée par le passage d’un homme ou d’un animal »

« l’exemple à suivre »

« une petite quantité, résiduelle, subsistante »

Des siècles 1120 1190 1530 1847 1989

« La marque laissée par ce qui agit sur quelque chose »

1250

« l’impression qu’il reste quelque chose » ou « ce qui reste du passé »

« paradigme indiciaire »

……


Traces NumériquesUne trace numérique d’interaction peut se définir comme une suite temporellement située d’observés, qui relève soit d’une interaction entre humains, médiatisée et médiée de diverses façon par ordinateur soit d’une suite d’actions et réactions entre un humain et une machine [Lund K. & Mille A., 2009].

Figure 2 Généralisation de systèmes traçants [Laflaquière J., 2009]


Techniques de Web Usage Mining

User

Server(SQL or cache)

Collection

AnalysisProcessRead

Interpretation/Transformation

Process

PresentationProcess

Record

Visualisation

Généralisation de systèmes traçants


Web Mining

1

Web Content Mining:

texte, image, records, etc.

3

Web Usage Mining

(Web log mining):

http logs, app server logs, etc.

2

Web Structure Mining:

hyperlinks, tags, etc.

Tableau 1.

Web Mining Categories [Raymond K. & Hendrik

B. , 2000]

Web MiningWeb Content Mining

Web Structre Mining

Web Usage Mining-Informatioin Retrieval (IR) View

-Database(DB) View

View of Data -Unstructured

-Semi-Structured

-Semi Structured

-Web Site as DB

-Links structure -Interactivity

Main Data -Text documents

-Hypertext documents

-Hypertext doc -Links structure -Server logs

-Brower logs

Representation -Bag of words, n-grams

-Terms, phrases

-Concepts or ontology

-Relational

-Edge-labeled graph (OEM)

-Relational

-Graph -Relational table

-Graph

Method -TFIDF and variants

-Machine Learning

-Statistcal (including NLP)

-Proprietary algorithms

-ILP

-Modified association rules

-Proprietary algorithms -Machine learning

-Statistical

-(Modified) association rules

Application

Categories

-Categorization

-Clustering

-Finding extraction rules

-Finding patterns in text

-User modeling

-Finding frequent sub-structures

-Web site schema discovery

- Categorization

-Clustering

-Site construction, adaptation, and management

-Marketing

-User modeling

-E-learning


« Web usage mining is the application of data mining techniques to discover usage patterns from Web data, in order to understand and better serve the needs of Web-based applications » [Srivastava J. et al. 2000].

Web Usage Mining

Figure 3. High Level Web Usage Mining Process [Srivastava J. et al. 2000]


Trois Niveaux de Trace Numérique

Filtre Individuel

Filtre de Groupe

Filtre d’Organisation

Organisation

U1

TN

EN1 EN2

EN3 ENn…

…

…

G1G2

G3…

U2 UnU3


Environnement E-MEMORAe

E-MEMORAe (MEMoire ORganisation Appliqué e à l’e-learning) est une plateforme de collaboration informatique qui facilite l’apprentissage organisationnel et la capitalisation des connaissances (Leblanc A. & Abel M.-H., 2010).


Empreintes NumériquesDans la plateforme E-EMEMORAe2.0, TNI constitue la trace de base et elle sera exploitée pour constituer les traces de groupe (niveaux supérieurs).

UsageDonnées qui décrivent le modèle d’usage de pages de Web, tel qu’adresses IP, références de la page et le temps d’accès etc.

ENi

Profil d’utilisateuri. Les données

d’enregistrement; ii. Les informations de profil

d’utilisateur;


Conclusion et PerspectiveConclusion

TNWeb Mining

Les trois niveaux de TNI

E-MEMORAe2.0

Perspective

Traitement de l’Information Multimédia

Semantic Web Mining

Fusion de TN

Personnalisation

Web Intelligence

Moteur de Recommandation


RéférencesLUND K. & MILLE A. (2009). Traces, traces d'interaction, traces d'apprentissages : définition, modèles informatiques, structurations, traitements et usage, Chapitre 1, Analyse de traces et personnalisation des Environnements Informatiques d'Apprentissage Humain, IC2 - Série Informatique et Systèmes d'Information, Hermes.LEBLANC A. & ABEL M.-H. (2009). Knowledge Sharing via the E-MEMORAe2.0 Platform. Proceedings of 6th International Conference on Intellectual Capital, Knowledge Management & Organisational Learning, Montreal Canada, pp. 10-19.LAFLAQUIÈRE J. (2009). Conception de système à base de traces numériques dans les environnements informatiques documentaires. Thèse.SRIVASTAVA J., COOLEY R., DESHPANDE M., et TAN P.-N. (2000). Web usage mining: Discovery and applications of usage patterns from web data. SIGKDD Explorations, 1(2).MARTY J.C & MILLE, A. (2009). Analyse de traces et personnalisation des environnements informatiques pour l'apprentissage humain. Hermes Scien ces Publications. RAYMOND K. & HENDRIK B. (2000), Web mining Research: A Survey, ACM Special Interest Group on Knowledge Discovery in Data, Volume 2 Issue 1, p1-15, June.RUSELLE S. & NORVIG P. (2010). Artificial Intelligence: A Modern Approach, 3/E. Prentice Hall.Etc..


Merci

李强

Nom du congrès Lieu - date 1 Traces d'Interaction au sein d'un Environnement de Collaboration Qiang...

Documents

Transcript of Nom du congrès Lieu - date 1 Traces d'Interaction au sein d'un Environnement de Collaboration Qiang...