dsotofor / Manuscrit

Commit 107d7a991ce778046fc4e563f13483f5d9633b53

Authored by dsotofor 2025-04-23 11:06:18 +0200

Exists in main

another version

Showing 5 changed files with 84 additions and 73 deletions Side-by-side Diff

chapters/CBR.aux
chapters/CBR.tex
main.log
main.pdf
main.synctex.gz

...	...	@@ -15,12 +15,20 @@
15	15	\citation{10.1007/978-3-319-47096-2_11}
16	16	\citation{10.1007/978-3-642-15973-2_50}
17	17	\citation{Robertson2014ARO}
	18	+\citation{10.1007/978-3-319-47096-2_11}
	19	+\citation{10.1007/978-3-319-47096-2_11}
18	20	\citation{ROLDANREYES20151}
	21	+\citation{ROLDANREYES20151}
	22	+\citation{ROLDANREYES20151}
19	23	\citation{10.1007/978-3-319-47096-2_11}
20	24	\citation{10.1007/978-3-319-61030-6_1}
	25	+\@writefile{lof}{\contentsline {figure}{\numberline {4.1}{\ignorespaces Ajout d'un cycle complémentaire avec \textit {Deep Learning} au RàPC (Traduit de \cite {10.1007/978-3-319-47096-2_11})\relax }}{31}{figure.caption.13}\protected@file@percent }
	26	+\newlabel{fig:figMCBR2}{{4.1}{31}{Ajout d'un cycle complémentaire avec \textit {Deep Learning} au RàPC (Traduit de \cite {10.1007/978-3-319-47096-2_11})\relax }{figure.caption.13}{}}
21	27	\citation{buildings13030651}
22	28	\citation{YU2023110163}
23	29	\citation{Muller}
	30	+\@writefile{lof}{\contentsline {figure}{\numberline {4.2}{\ignorespaces Cycle du RàPC modifié. (Traduit de \cite {ROLDANREYES20151})\relax }}{32}{figure.caption.14}\protected@file@percent }
	31	+\newlabel{fig:figMCBR1}{{4.2}{32}{Cycle du RàPC modifié. (Traduit de \cite {ROLDANREYES20151})\relax }{figure.caption.14}{}}
24	32	\citation{10.1007/978-3-319-24586-7_20}
25	33	\citation{10.1007/978-3-030-58342-2_20}
26	34	\citation{10.1007/978-3-031-63646-2_4}
27	35
28	36
29	37
...	...	@@ -32,19 +40,14 @@
32	40	\citation{8495930}
33	41	\citation{Obeid}
34	42	\citation{skittou2024recommender}
35		-\citation{ROLDANREYES20151}
36		-\citation{ROLDANREYES20151}
37	43	\citation{Obeid}
38	44	\citation{Obeid}
39		-\citation{10.1007/978-3-319-47096-2_11}
40		-\citation{10.1007/978-3-319-47096-2_11}
41	45	\citation{HU2025127130}
42	46	\citation{ALABDULRAHMAN2021114061}
43		-\@writefile{lof}{\contentsline {figure}{\numberline {4.1}{\ignorespaces Cycle du RàPC modifié. (Traduit de \cite {ROLDANREYES20151})\relax }}{34}{figure.caption.13}\protected@file@percent }
44		-\newlabel{fig:figMCBR1}{{4.1}{34}{Cycle du RàPC modifié. (Traduit de \cite {ROLDANREYES20151})\relax }{figure.caption.13}{}}
45	47	\citation{JUNG20095695}
46	48	\citation{10.1007/978-3-642-15973-2_50}
47	49	\citation{PETROVIC201617}
	50	+\citation{wolf2024keep}
48	51	\citation{ROLDANREYES20151}
49	52	\citation{10.1007/978-3-319-47096-2_11}
50	53	\citation{10.1007/978-3-319-61030-6_1}
...	...	@@ -56,10 +59,8 @@
56	59	\citation{10.1007/978-3-030-58342-2_5}
57	60	\citation{8495930}
58	61	\citation{Obeid}
59		-\@writefile{lof}{\contentsline {figure}{\numberline {4.2}{\ignorespaces Taxonomie des techniques algorithmiques employées pour des modules de recommandation dans les EIAH (Traduit de \cite {Obeid})\relax }}{35}{figure.caption.14}\protected@file@percent }
60		-\newlabel{fig:figTax}{{4.2}{35}{Taxonomie des techniques algorithmiques employées pour des modules de recommandation dans les EIAH (Traduit de \cite {Obeid})\relax }{figure.caption.14}{}}
61		-\@writefile{lof}{\contentsline {figure}{\numberline {4.3}{\ignorespaces Ajout d'un cycle complémentaire avec \textit {Deep Learning} au RàPC (Traduit de \cite {10.1007/978-3-319-47096-2_11})\relax }}{35}{figure.caption.15}\protected@file@percent }
62		-\newlabel{fig:figMCBR2}{{4.3}{35}{Ajout d'un cycle complémentaire avec \textit {Deep Learning} au RàPC (Traduit de \cite {10.1007/978-3-319-47096-2_11})\relax }{figure.caption.15}{}}
	62	+\@writefile{lof}{\contentsline {figure}{\numberline {4.3}{\ignorespaces Taxonomie des techniques algorithmiques employées pour des modules de recommandation dans les EIAH (Traduit de \cite {Obeid})\relax }}{35}{figure.caption.15}\protected@file@percent }
	63	+\newlabel{fig:figTax}{{4.3}{35}{Taxonomie des techniques algorithmiques employées pour des modules de recommandation dans les EIAH (Traduit de \cite {Obeid})\relax }{figure.caption.15}{}}
63	64	\@writefile{lot}{\contentsline {table}{\numberline {4.1}{\ignorespaces Tableau de synthèse des articles analysés dans l’état de l’art du RàPC\relax }}{36}{table.caption.16}\protected@file@percent }
64	65	\newlabel{tabArts2}{{4.1}{36}{Tableau de synthèse des articles analysés dans l’état de l’art du RàPC\relax }{table.caption.16}{}}
65	66	\@setckpt{./chapters/CBR}{

...	...	@@ -8,8 +8,6 @@
8	8
9	9	Les travaux ici cités sont des travaux représentatifs parce que ils ont permis de trouver certaines points d'amélioration du RàPC, ont donné des pistes d'intégration avec d'autres techniques ou ont donné des idées de modification pour obtenir bons résultats en gagnant de la performance.
10	10
11		----RàPC et réseaux de neurones
12		-
13	11	Plusieurs travaux combinent le RàPC avec les réseaux de neurones (Deep Learning) avec l'objectif d'améliorer les réponses générées et optimiser les performances de chaque algorithme. C'est une idée qui marche dans certains cas, mais qui n'est pas très récente comme par exemple dans \cite{JUNG20095695} les auteurs développent un système fondé sur l'hybridation du RàPC avec des réseaux de neurones pour concevoir des produits. Le système se focalise uniquement dans les phases "rechercher" et "réutiliser" du RàPC dans lesquelles sont exécutés les algorithmes implémentés. Le système détermine de façon automatique les valeurs pour les paramètres nécessaires à la conception d'un produit particulier en suivant le cycle traditionnel du RàPC. Avec l'algorithme de k-moyennes, est extrait un cas représentatif de la base de cas et l'adaptation des solutions des voisins trouvées est faite avec le réseau de neurones RBFN (Radial Basis Function Network). L'évaluation du système est faite en utilisant une base de données contenant 830 tests, les résultats démontrent que les produits conçus s'ajustent avec un grand pourcentage aux normes définies.
14	12
15	13	Dans \cite{10.1007/978-3-642-15973-2_50} un réseau de neurones classique est implémenté pour définir la géométrie d'une matrice pour l'extrusion de l'aluminium. En effet, actuellement c'est un processus qui se fait manuellement et par essai et erreur. Le RàPC est alors utilisé pour aider à déterminer les valeurs optimales des paramètres du réseau, en utilisant l'information des matrices d'extrusion déjà testées.
16	14
17	15
18	16
19	17
20	18
21	19
22	20
23	21
...	...	@@ -18,33 +16,31 @@
18	16
19	17	Plus récemment se trouvent travaux comme \cite{wolf2024keep} où le RàPC est employée comme technique pour expliquer les résultats générés par un réseau qui classifie les images en fonction de certains attributs et zones dans les images, le résultats permettent conclure que les explications trouvées avec RàPC sont très fidèles aux images testées. Aussi \cite{PAREJASLLANOVARCED2024111469} utilisent le RàPC et ses avantages pour le coupler à un réseau profond (Deep Learing) pour sélectionner la meilleure explication au résultat donné par le classificateur d'images dans ce cas, la base de connaissance sont certaines images avec des étiquettes qui contiennent l'information associée à l'image, la comparaison réalisée avec les algorithmes représentatifs de l'état de l'art suggèrent que la combinaison Deep Learning marche bien dans ce type de problèmes.
20	18
21		---- Modifications du cycle fondamental
	19	+Certains travaux ont appliqué le raisonnement à partir de cas à un problème spécifique en modifiant les représentations des cas et des solutions, d'autres ont modifié le cycle conceptuel comme le montre la figure \figref{figMCBR2} avec l'objectif d'obtenir des réponses dynamiques et plus aptes à problèmes complexes. Dans \cite{10.1007/978-3-319-47096-2_11} est proposé un cycle complémentaire incluant un outil d'apprentissage profond (\textit{Deep Learning}) pour améliorer le résultat du processus du RàPC. Dans \cite{10.1007/978-3-642-15973-2_50}, la phase de stockage est modifiée en retenant les cas dont les résultats n'ont pas eu de succès, pour guider le processus dans la fabrications de nouvelles pièces. Enfin, dans \cite{Robertson2014ARO}, les auteurs proposent d'ajouter à chaque cas une valeur d'utilité espérée selon chaque action possible. Cet ajout s'accompagne d'une prédiction probabiliste des actions que l'application engendrera en réponse. Cette prédiction probabiliste dépend bien entendu de l'état initial du système avant mise en oeuvre de l'action.
22	20
23		-Certains travaux ont appliqué le raisonnement à partir de cas à un problème spécifique en proposant des représentations des cas et des solutions différentes, d'autres ont modifié le cycle conceptuel comme le montre la figure \figref{figMCBR2} extraite de \cite{10.1007/978-3-319-47096-2_11}. Dans cette proposition, un cycle complémentaire incluant un outil d'apprentissage profond (\textit{Deep Learning}) est ajouté pour améliorer le résultat du processus du RàPC. Dans \cite{10.1007/978-3-642-15973-2_50}, la phase de stockage est modifiée en retenant les cas dont les résultats n'ont pas eu de succès, pour guider le processus dans la fabrications de nouvelles pièces. Enfin, dans \cite{Robertson2014ARO}, les auteurs proposent d'ajouter à chaque cas une valeur d'utilité espérée selon chaque action possible. Cet ajout s'accompagne d'une prédiction probabiliste des actions que l'application engendrera en réponse. Cette prédiction probabiliste dépend bien entendu de l'état initial du système avant mise en oeuvre de l'action.
	21	+\mfigure[!ht]{width=\textwidth}{./Figures/ModCBR2.png}{Ajout d'un cycle complémentaire avec \textit{Deep Learning} au RàPC (Traduit de \cite{10.1007/978-3-319-47096-2_11})}{figMCBR2}
24	22
25		-Plusieurs travaux appliquent le RàPC avec succès en proposant des modifications dans chacune des phases ou en combinant différents algorithmes. Certains systèmes de RàPC appliqués au domaine de la conception de produits sont remarquables à ce titre. Dans \cite{ROLDANREYES20151} les auteurs proposent, comme le montre la figure \figref{figMCBR1}, un algorithme pour produire le propylène glycol dans un réacteur chimique. Dans ce cas, la phase de réutilisation du RàPC est couplée à la recherche des états qui satisfassent le nouveau problème (\textit{Constraint satisfaction problems CSP}) en utilisant l'information des cas de base déjà résolus. Les solutions trouvées sont évaluées selon le nombre de changements réalisés sur les solutions déjà connues (parcimonie), le nombre de solutions possibles trouvées (précision), l'évaluation de commentaires faits par des experts et la complexité des transformations réalisées.
	23	+Plusieurs travaux appliquent le RàPC avec succès en proposant des modifications dans chacune des phases ou en combinant différents algorithmes. Certains systèmes de RàPC appliqués au domaine de la conception de produits sont remarquables à ce titre. Dans \cite{ROLDANREYES20151} les auteurs proposent, comme le montre la figure \figref{figMCBR1}, un algorithme pour produire le propylène glycol dans un réacteur chimique. Dans ce cas, la phase de réutilisation du RàPC est couplée à la recherche des états qui satisfassent le nouveau problème (\textit{Constraint satisfaction problems CSP}) en utilisant l'information des cas de base déjà résolus. Les solutions trouvées sont évaluées selon le nombre de changements réalisés sur les solutions déjà connues (parcimonie), le nombre de solutions possibles trouvées (précision), l'évaluation de commentaires faits par des experts et la complexité des transformations réalisées.
26	24
	25	+\mfigure[!ht]{width=\textwidth}{./Figures/ModCBR1.png}{Cycle du RàPC modifié. (Traduit de \cite{ROLDANREYES20151})}{figMCBR1}
	26	+
27	27	Dans \cite{10.1007/978-3-319-47096-2_11}, les auteurs ajoutent un nouveau cycle au cycle traditionnel du RàPC. Le premier cycle génère des descriptions abstraites du problème avec un réseau de neurones et des algorithmes génétiques; le second cycle prend les descriptions abstraites comme des nouveaux cas, cherche les cas similaires et adapte les solutions rencontrées. L'exécution des deux cycles prend en compte certains critères prédéfinis par l'utilisateur. En comparant le même problème avec le cycle traditionnel du RàPC, les auteurs mesurent une amélioration de la qualité des recettes proposées et montrent que celles-ci sont plus en accord avec les critères définis.
28	28
29	29	\cite{10.1007/978-3-319-61030-6_1} s'intéressent quant à eux à la génération de recettes de cuisine originales. Les auteurs modifient le cycle traditionnel du RàPC et créent deux cycles, combinant l'apprentissage profond et la récupération de cas basée sur la similarité, le premier cycle génère des descriptions abstraites de la conception avec des algorithmes génétiques et un réseau neuronal profond, le second cycle utilise les descriptions abstraites pour récupérer et adapter des objets, cette structure donne lieu à un prototype appelé Q-chef qui génère une recette basée sur la base de données d'ingrédients et les demandes de l'utilisateur. Ce travail ne montre pas de métriques standard génériques mais utilise deux nombres indicatifs (plausibilité et surprise) pour démontrer la génération efficace de nouvelles recettes selon les critères de l'utilisateur en comparant le RàPC à deux cycles avec le RàPC à un cycle, démontrant plus de plausibilité et de surprise dans les recettes générées.
30	30
31		---- Méthodes d'ensemble
	31	+Par rapport à l'intégration du RàPC avec d'autres algorithmes nous pouvons citer \cite{buildings13030651} qui mettent en œuvre un RáPC avec une méthode d'agrégation bootstrap (bagging) pour améliorer la précision du CBR et réduire la variance. Le problème qui ils essaient de résoudre est l'estimation des coûts conceptuels dans les décisions de faisabilité d'un projet, lorsque l'on ne dispose pas de suffisamment d'informations sur la conception détaillée et les exigences du projet. Les résultats ont révélé que la performance de prédiction de la méthode CBR agrégée bootstrap est meilleure que la performance de prédiction de la méthode CBR traditionnelle.
32	32
33		-\cite{buildings13030651} mettent en œuvre un RáPC avec une méthode d'agrégation bootstrap (bagging) pour améliorer la précision du CBR et réduire la variance pour l'estimation des coûts conceptuels dans les décisions de faisabilité d'un projet lorsque l'on ne dispose pas de suffisamment d'informations sur la conception détaillée et les exigences du projet. Les résultats ont révélé que la performance de prédiction de la méthode CBR agrégée bootstrap est meilleure que la performance de prédiction de la méthode CBR existante.
34		-
35	33	Un modèle d'ensemble fondé sur le raisonnement à partir de cas est proposé par \cite{YU2023110163} appliqué à la prédiction financière et au remplissage des données manquantes. Dans ce cas, pour retrouver les plus proches voisins, le modèle utilise trois mesures de distance différentes et une étape de vote pour l'intégration. Le modèle a été testé avec une base de données comportant onze dimensions d'informations financières provenant de 249 entreprises. La comparaison est faite avec deux objectifs. Premièrement, le remplissage des données manquantes avec d'autres algorithmes tels que KNN ou RandomForest, et deuxièmement, la comparaison de la prédiction avec des algorithmes uniques utilisant une métrique de distance spécifique. En effet, les résultats montrent une meilleure performance dans le remplissage des données manquantes et les meilleurs résultats dans la prédiction.
36	34
37		---- Techniques de génération / transformation de solutions
	35	+La représentation des cas peut permettre également d'améliorer les résultats d'un système de RàPC. La performance d'un système de RàPC dépend de la quantité d'informations stockées, mais également des algorithmes implémentés. C'est le cas dans \cite{Muller} où les recettes de cuisine sont codées comme un processus de transformation et mélangent des ingrédients en suivant une suite d'étapes ordonnés. Pour créer des recettes innovantes, une mesure de distance est utilisée entre les ingrédients. Cette mesure permet de trouver une recette en substituant certains ingrédients par d'autres, similaires ou aux qualités et/ou caractéristiques similaires. De la même manière, il est possible de créer des recettes plus proches des exigences des utilisateurs. Les étapes de transformation appelées aussi opérateurs sont stockées et catégorisées grâce à une métrique permettant de les échanger afin d'obtenir une nouvelle recette.
38	36
39		-La représentation des cas peut permettre également d'améliorer les résultats d'un système de RàPC. La performance d'un système de RàPC dépend de la quantité d'informations stockées, mais également des algorithmes implémentés. C'est le cas dans \cite{Muller} où les recettes sont codées comme un processus de transformation et mélangent des ingrédients en suivant une suite d'étapes ordonnés. Pour créer des recettes innovantes, une mesure de distance est utilisée entre les ingrédients. Cette mesure permet de trouver une recette en substituant certains ingrédients par d'autres, similaires ou aux qualités et/ou caractéristiques similaires. De la même manière, il est possible de créer des recettes plus proches des exigences des utilisateurs. Les étapes de transformation appelées aussi opérateurs sont stockées et catégorisées grâce à une métrique permettant de les échanger afin d'obtenir une nouvelle recette.
40		-
41	37	La génération, analyse et correction de texte constitue également un domaine d'application intéressant du RàPC. Pour la réalisation de ces tâches il est parfois nécessaire de transformer le texte en représentation numérique ou de mesurer la proximité sémantique de mots. Le travail de \cite{10.1007/978-3-319-24586-7_20} utilise le RàPC pour générer des histoires en utilisant le texte d'autres histoires. Le système décrit explore les transformations possibles afin que la nouvelle histoire ne soit pas très similaire aux histoires déjà connues mais que elle soit cohérente. Le travail est plus focalisé sur la phase de révision, car les résultats de celle-ci déterminent si l'histoire générée correspond aux critères spécifiés ou si le cycle d'adaptation doit recommencer; l'adaptation se fait en recherchant les personnages, les contextes, les objets dans la base de cas, et en les unifiant avec des actions; la plupart des histoires générées sont cohérentes mais elles sont constituées de paragraphes très courts.
42	38
43	39	Dans \cite{10.1007/978-3-030-58342-2_20} les phrases écrites en langue française sont corrigées. Ce travail n'utilise ni la transformation numérique des phrases, ni de connaissances linguistiques, mais retrouve les phrases similaires en utilisant l'algorithme LCS (\textit{Longest Common Subsequence}) et en calculant une mesure de distance avec les phrases correctes et incorrectes de la base de connaissances. Si les phrases similaires sont incorrectes, le système peut proposer une correction en changeant certains mots selon le contexte et recalculer les distances afin de mesurer la cohérence et pertinence de la phrase proposée.
44	40
45	41	Une étape très importante dans le RàPC est l'adaptation. Dans \cite{10.1007/978-3-031-63646-2_4} l'objectif est changer la représentation de la connaissance pour évaluer s'il y a un impact positif en les solutions générées, ce changement permet aussi d'établir règles de adaptation, les résultats permettent de dire que choisir une représentation adéquate et des règles correctes en fonction du problème étudié peut améliorer la qualité des solutions pour résoudre des problèmes complexes.
46	42
47		---- Prédiction avec RàPC
	43	+Étant donne la versatilité du RàPC dans la littérature se trouvent des travaux qui l'utilisent comme un outil de prédiction, car en connaissant l'information historique généralement est possible d'inférer la structure ou le comportement des données et avec le RàPC les résultats sont assez bons.
48	44
49	45	L'objectif du travail de \cite{10.1007/978-3-030-01081-2_25} est la prédiction du temps de course pour un athlète. L'algorithme KNN est utilisé pour rechercher les cas similaires. Le système interpole un temps final grâce au calcul d'une moyenne pondérée des meilleurs temps des cas similaires retrouvés dans la première étape du RàPC.
50	46
...	...	@@ -65,12 +61,6 @@
65	61	En fonction de certains paramètres comme type d'école, nombre d'étudiants, nombre d'étudiants admis, nombre d'étudiants non-admis, total nombre de classes, etc.
66	62	\cite{skittou2024recommender} développent un modèle hybride entre RàPC et le raisonnement à partir de règles pour recommander des actions de planification de l'éducation en réponse à des cas éducatifs des écoles primaires. Le modèle a été testé des bases de données réelles et a donné de bons résultats avec une grande précision.
67	63
68		-----------------------------------
69		-
70		-\mfigure[!ht]{width=\textwidth}{./Figures/ModCBR1.png}{Cycle du RàPC modifié. (Traduit de \cite{ROLDANREYES20151})}{figMCBR1}
71		-
72		-L'utilisation du RàPC pour la création de recettes de cuisine à partir d'une base d'ingrédients et d'un ensemble de recettes déjà connues a été un cas d'application que les chercheurs du domaine ont trouvé intéressant à explorer. Malgré l'apparente simplicité de ce problème, celui-ci a permis de tester différentes approches et de concevoir différents modèles.
73		-
74	64	%Le RàPC a également été mis en oeuvre dans différents travaux liés à la génération, l’analyse et la correction de textes écrits. Pour la réalisation de ces tâches, il est parfois nécessaire de transformer le texte en représentation numérique ou d’établir une fonction ou mesure qui va indiquer quels mots ont une proximité sémantique. Le travail de \cite{10.1007/978-3-319-24586-7_20} utilise le RàPC pour générer des histoires en utilisant le texte d'autres histoires. Le système décrit dans ce travail explore les transformations de forme possibles afin que la nouvelle histoire ne soit pas similaire aux histoires déjà connues tout en étant cohérente. Le travail est plus focalisé sur la phase de révision, car les résultats de la révision déterminent si l’histoire générée correspond aux critères spécifiés ou si le cycle d'adaptation doit être recommencé. L'adaptation se fait en cherchant dans la base des cas, les personnages, les contextes, les objets et en \colorbox{pink}{unifiant tout avec des actions ??}. Les résultats montrent que la plupart des histoires générées sont cohérentes mais qu'elles sont constituées de paragraphes très courts. Dans \cite{10.1007/978-3-030-58342-2_20}, les phrases écrites en langue française sont corrigées, ce travail n'utilise ni la transformation numérique \colorbox{yellow}{?} des phrases, ni des connaissances linguistiques. Le système conçu retrouve des phrases similaires en utilisant l'algorithme LCS (\textit{Longest Common Subsequence}) et en calculant la distance entre toutes les phrases \colorbox{yellow}{lesquelles ?} pour savoir \colorbox{pink}{je ne comprends pas la suite }si elle est bien écrite ou pas. Si la phrase n’est pas bien écrite, le système peut proposer une correction en changeant certains mots selon le contexte et calculer à nouveau les distances mesurant la cohérence et pertinence de la phrase.
75	65
76	66	\mfigure[!ht]{width=\textwidth}{./Figures/taxonomieEIAH.png}{Taxonomie des techniques algorithmiques employées pour des modules de recommandation dans les EIAH (Traduit de \cite{Obeid})}{figTax}
...	...	@@ -82,8 +72,6 @@
82	72	%\label{figTax}
83	73	%\end{figure}
84	74
85		-\mfigure[!ht]{width=\textwidth}{./Figures/ModCBR2.png}{Ajout d'un cycle complémentaire avec \textit{Deep Learning} au RàPC (Traduit de \cite{10.1007/978-3-319-47096-2_11})}{figMCBR2}
86		-
87	75	Le tableau \ref{tabArts2} montre un récapitulatif des articles analysés dans cet état de l'art du RàPC, où on montre chacun d'eux en ordre d'apparition dans le chapitre et les limitations trouvées par rapport aux données, flexibilité, généralité de l'algorithme proposé, validité des solutions proposées, automatisation du processus et complexité du modèle proposée. A part les limites identifiés dans le tableau, nous avons trouvé deux problèmes très communs des systèmes de recommandation de façon générale : (1)le \textit{cold-start} qui se produit au début d'une recommandation lorsque il n'y a pas suffisamment de données pour calculer ou inférer une recommandation appropriée \cite{HU2025127130}. Et (2) le \textit{gray-sheep} qui se produit lorsqu'un utilisateur présente un comportement très différent de ceux qui sont stockés dans la base de données. Le système ne peut donc pas générer des recommandations en se basant sur l'information disponible \cite{ALABDULRAHMAN2021114061}.
88	76
89	77	\begin{table}
90	78
91	79
92	80
93	81
...	...	@@ -98,27 +86,43 @@
98	86
99	87	\cite{PETROVIC201617}&Grande quantité de données pour que l'algorithme fonctionne correctement. Recommandation limitée à un problème très spécifique.\\
100	88
	89	+\cite{wolf2024keep}\\
	90	+Parejas\\
	91	+Grace\\
	92	+Robertson\\
	93	+
101	94	\cite{ROLDANREYES20151}&Une seule méthode d'adaptation est utilisée. Le modèle n'exploite pas les cas qui présentent une erreur.\\
102	95
103	96	\cite{10.1007/978-3-319-47096-2_11}&Beaucoup de données sont nécessaires pour entrainer le modèle de 'Deep Learning'. Les solutions générées n'ont pas été validées.\\
104	97
105	98	\cite{10.1007/978-3-319-61030-6_1}&L'évaluation des solutions générées n'est pas automatique. Les solutions sont produites avec un seul point de vue.\\
106	99
	100	+Maher\\
	101	+Uysal\\
	102	+Yu and Li\\
	103	+
107	104	\cite{Muller}&Une seule approche pour adapter les cas dans le RàPC. La révision dans le RàPC n'est pas automatique.\\
108	105
109	106	\cite{10.1007/978-3-319-24586-7_20}&Les solutions générées peuvent présenter des incohérences. Il n'y a pas une métrique objective pour mesurer la qualité des réponses.\\
110	107
111	108	\cite{10.1007/978-3-030-58342-2_20}&Les résultats ne sont pas très bons. Le modèle n'a pas de connaissances linguistiques.\\
112	109
	110	+Malburg\\
	111	+
113	112	\cite{10.1007/978-3-030-01081-2_25}&Les prédictions n'ont pas été testées dans le monde réel. Les données sont très spécifiques et peu variées.\\
114	113
115	114	\cite{10.1007/978-3-030-58342-2_8}&Les prédictions sont pour des cas limités. Le modèle est entrainé pour un type d'utilisateur spécifique.\\
116	115
117	116	\cite{10.1007/978-3-030-58342-2_5}&Seulement une technique de sélection de solutions. Les données nécessaires pour le modèle sont complexes.\\
118	117
	118	+Yu\\
	119	+Sadeghi\\
	120	+
119	121	\cite{8495930}&Le modèle a été validé avec peu de données. Les recommandations se basent seulement sur l'information des autres apprenants.\\
120	122
121	123	\cite{Obeid}&L'ontologie peut être \colorbox{pink}{limitée?}limitée pour évaluer plusieurs cas inconnus ou imprévus. Il est nécessaire d'avoir une forte connaissance du domaine.\\
	124	+
	125	+Skittou\\
122	126
123	127	\end{tabular}
124	128	\caption{Tableau de synthèse des articles analysés dans l’état de l’art du RàPC}

1		-This is pdfTeX, Version 3.141592653-2.6-1.40.25 (TeX Live 2023) (preloaded format=pdflatex 2023.5.31) 20 APR 2025 23:26
	1	+This is pdfTeX, Version 3.141592653-2.6-1.40.25 (TeX Live 2023) (preloaded format=pdflatex 2023.5.31) 23 APR 2025 11:06
2	2	entering extended mode
3	3	restricted \write18 enabled.
4	4	%&-line parsing enabled.
...	...	@@ -1393,7 +1393,7 @@
1393	1393	(./chapters/CBR.tex
1394	1394	Chapitre 4.
1395	1395
1396		-Underfull \vbox (badness 4967) has occurred while \output is active []
	1396	+Underfull \vbox (badness 10000) has occurred while \output is active []
1397	1397
1398	1398	[29
1399	1399
1400	1400
1401	1401
1402	1402
1403	1403
1404	1404
1405	1405
1406	1406
1407	1407
1408	1408
...	...	@@ -1401,49 +1401,55 @@
1401	1401
1402	1402
1403	1403	]
	1404	+<./Figures/ModCBR2.png, id=630, 1145.27875pt x 545.03625pt>
	1405	+File: ./Figures/ModCBR2.png Graphic file (type png)
	1406	+<use ./Figures/ModCBR2.png>
	1407	+Package pdftex.def Info: ./Figures/ModCBR2.png used on input line 21.
	1408	+(pdftex.def) Requested size: 427.43153pt x 203.41505pt.
	1409	+
1404	1410	Underfull \vbox (badness 10000) has occurred while \output is active []
1405	1411
1406	1412	[30]
1407		-Underfull \vbox (badness 10000) has occurred while \output is active []
	1413	+<./Figures/ModCBR1.png, id=645, 942.52126pt x 624.83438pt>
	1414	+File: ./Figures/ModCBR1.png Graphic file (type png)
	1415	+<use ./Figures/ModCBR1.png>
	1416	+Package pdftex.def Info: ./Figures/ModCBR1.png used on input line 25.
	1417	+(pdftex.def) Requested size: 427.43153pt x 283.36574pt.
1408	1418
1409		- [31]
1410	1419	Underfull \vbox (badness 10000) has occurred while \output is active []
1411	1420
1412		- [32]
	1421	+ [31 <./Figures/ModCBR2.png>]
	1422	+Underfull \vbox (badness 2057) has occurred while \output is active []
	1423	+
	1424	+ [32 <./Figures/ModCBR1.png>]
1413	1425	Underfull \vbox (badness 10000) has occurred while \output is active []
1414	1426
1415	1427	[33]
1416		-Underfull \hbox (badness 1924) in paragraph at lines 65--67
	1428	+Underfull \hbox (badness 1924) in paragraph at lines 61--63
1417	1429	\T1/phv/m/n/10.95 d'étu-diants ad-mis, nombre d'étu-diants non-admis, to-tal no
1418	1430	mbre de classes, etc.
1419	1431	[]
1420	1432
1421		-<./Figures/ModCBR1.png, id=686, 942.52126pt x 624.83438pt>
1422		-File: ./Figures/ModCBR1.png Graphic file (type png)
1423		-<use ./Figures/ModCBR1.png>
1424		-Package pdftex.def Info: ./Figures/ModCBR1.png used on input line 70.
1425		-(pdftex.def) Requested size: 427.43153pt x 283.36574pt.
1426		-<./Figures/taxonomieEIAH.png, id=689, 984.67876pt x 614.295pt>
	1433	+
	1434	+Underfull \vbox (badness 10000) has occurred while \output is active []
	1435	+
	1436	+ [34]
	1437	+<./Figures/taxonomieEIAH.png, id=699, 984.67876pt x 614.295pt>
1427	1438	File: ./Figures/taxonomieEIAH.png Graphic file (type png)
1428	1439	<use ./Figures/taxonomieEIAH.png>
1429		-Package pdftex.def Info: ./Figures/taxonomieEIAH.png used on input line 76.
	1440	+Package pdftex.def Info: ./Figures/taxonomieEIAH.png used on input line 66.
1430	1441	(pdftex.def) Requested size: 427.43153pt x 266.65376pt.
1431		-<./Figures/ModCBR2.png, id=692, 1145.27875pt x 545.03625pt>
1432		-File: ./Figures/ModCBR2.png Graphic file (type png)
1433		-<use ./Figures/ModCBR2.png>
1434		-Package pdftex.def Info: ./Figures/ModCBR2.png used on input line 85.
1435		-(pdftex.def) Requested size: 427.43153pt x 203.41505pt.
1436		-[34 <./Figures/ModCBR1.png>]
1437		-Overfull \hbox (7.88272pt too wide) in paragraph at lines 97--97
	1442	+
	1443	+Overfull \hbox (7.88272pt too wide) in paragraph at lines 85--85
1438	1444	[]\|\T1/phv/m/n/9 [[]]\|
1439	1445	[]
1440	1446
1441	1447
1442		-Overfull \hbox (6.9288pt too wide) in paragraph at lines 113--113
	1448	+Overfull \hbox (6.9288pt too wide) in paragraph at lines 112--112
1443	1449	[]\|\T1/phv/m/n/9 [[]]\|
1444	1450	[]
1445	1451
1446		-) [35 <./Figures/taxonomieEIAH.png> <./Figures/ModCBR2.png>] [36] [37
	1452	+) [35 <./Figures/taxonomieEIAH.png>] [36] [37
1447	1453
1448	1454
1449	1455
...	...	@@ -1460,7 +1466,7 @@
1460	1466
1461	1467
1462	1468	]
1463		-<./Figures/AIVT.png, id=755, 1116.17pt x 512.91624pt>
	1469	+<./Figures/AIVT.png, id=756, 1116.17pt x 512.91624pt>
1464	1470	File: ./Figures/AIVT.png Graphic file (type png)
1465	1471	<use ./Figures/AIVT.png>
1466	1472	Package pdftex.def Info: ./Figures/AIVT.png used on input line 21.
...	...	@@ -1530,7 +1536,7 @@
1530	1536	Underfull \vbox (badness 10000) has occurred while \output is active []
1531	1537
1532	1538	[42]
1533		-<./Figures/Architecture AI-VT2.png, id=776, 1029.8475pt x 948.54375pt>
	1539	+<./Figures/Architecture AI-VT2.png, id=777, 1029.8475pt x 948.54375pt>
1534	1540	File: ./Figures/Architecture AI-VT2.png Graphic file (type png)
1535	1541	<use ./Figures/Architecture AI-VT2.png>
1536	1542	Package pdftex.def Info: ./Figures/Architecture AI-VT2.png used on input line
1537	1543
...	...	@@ -1541,12 +1547,12 @@
1541	1547	Underfull \vbox (badness 10000) has occurred while \output is active []
1542	1548
1543	1549	[45]
1544		-<./Figures/Layers.png, id=791, 392.46625pt x 216.81pt>
	1550	+<./Figures/Layers.png, id=792, 392.46625pt x 216.81pt>
1545	1551	File: ./Figures/Layers.png Graphic file (type png)
1546	1552	<use ./Figures/Layers.png>
1547	1553	Package pdftex.def Info: ./Figures/Layers.png used on input line 130.
1548	1554	(pdftex.def) Requested size: 235.48155pt x 130.08699pt.
1549		-<./Figures/flow.png, id=793, 721.69624pt x 593.21625pt>
	1555	+<./Figures/flow.png, id=794, 721.69624pt x 593.21625pt>
1550	1556	File: ./Figures/flow.png Graphic file (type png)
1551	1557	<use ./Figures/flow.png>
1552	1558	Package pdftex.def Info: ./Figures/flow.png used on input line 139.
1553	1559
1554	1560
1555	1561
...	...	@@ -1582,23 +1588,23 @@
1582	1588	LaTeX Warning: Citation `Arthurs' on page 51 undefined on input line 127.
1583	1589
1584	1590	[51]
1585		-<./Figures/dataset.png, id=852, 15.13687pt x 8.08058pt>
	1591	+<./Figures/dataset.png, id=853, 15.13687pt x 8.08058pt>
1586	1592	File: ./Figures/dataset.png Graphic file (type png)
1587	1593	<use ./Figures/dataset.png>
1588	1594	Package pdftex.def Info: ./Figures/dataset.png used on input line 132.
1589	1595	(pdftex.def) Requested size: 427.43153pt x 228.35583pt.
1590		-<./Figures/comp2.png, id=855, 14.59627pt x 7.33133pt>
	1596	+<./Figures/comp2.png, id=856, 14.59627pt x 7.33133pt>
1591	1597	File: ./Figures/comp2.png Graphic file (type png)
1592	1598	<use ./Figures/comp2.png>
1593	1599	Package pdftex.def Info: ./Figures/comp2.png used on input line 166.
1594	1600	(pdftex.def) Requested size: 427.43153pt x 214.72395pt.
1595	1601	[52]
1596		-<./Figures/comp3.png, id=865, 14.59627pt x 7.33133pt>
	1602	+<./Figures/comp3.png, id=866, 14.59627pt x 7.33133pt>
1597	1603	File: ./Figures/comp3.png Graphic file (type png)
1598	1604	<use ./Figures/comp3.png>
1599	1605	Package pdftex.def Info: ./Figures/comp3.png used on input line 174.
1600	1606	(pdftex.def) Requested size: 427.43153pt x 214.72395pt.
1601		-<./Figures/comp4.png, id=867, 14.59627pt x 7.33133pt>
	1607	+<./Figures/comp4.png, id=868, 14.59627pt x 7.33133pt>
1602	1608	File: ./Figures/comp4.png Graphic file (type png)
1603	1609	<use ./Figures/comp4.png>
1604	1610	Package pdftex.def Info: ./Figures/comp4.png used on input line 182.
...	...	@@ -1612,7 +1618,7 @@
1612	1618	[]
1613	1619
1614	1620	[54 <./Figures/comp2.png>]
1615		-<./Figures/metric.png, id=888, 16.95784pt x 7.68225pt>
	1621	+<./Figures/metric.png, id=889, 16.95784pt x 7.68225pt>
1616	1622	File: ./Figures/metric.png Graphic file (type png)
1617	1623	<use ./Figures/metric.png>
1618	1624	Package pdftex.def Info: ./Figures/metric.png used on input line 223.
...	...	@@ -1622,7 +1628,7 @@
1622	1628
1623	1629	[]
1624	1630
1625		-<./Figures/metric2.png, id=903, 16.48363pt x 7.66327pt>
	1631	+<./Figures/metric2.png, id=904, 16.48363pt x 7.66327pt>
1626	1632	File: ./Figures/metric2.png Graphic file (type png)
1627	1633	<use ./Figures/metric2.png>
1628	1634	Package pdftex.def Info: ./Figures/metric2.png used on input line 282.
1629	1635
...	...	@@ -1680,13 +1686,13 @@
1680	1686
1681	1687	[]
1682	1688
1683		-<./Figures/NCBR0.png, id=936, 623.32875pt x 459.7175pt>
	1689	+<./Figures/NCBR0.png, id=937, 623.32875pt x 459.7175pt>
1684	1690	File: ./Figures/NCBR0.png Graphic file (type png)
1685	1691	<use ./Figures/NCBR0.png>
1686	1692	Package pdftex.def Info: ./Figures/NCBR0.png used on input line 19.
1687	1693	(pdftex.def) Requested size: 311.6636pt x 229.85818pt.
1688	1694	[62 <./Figures/NCBR0.png>]
1689		-<./Figures/FlowCBR0.png, id=945, 370.38374pt x 661.47125pt>
	1695	+<./Figures/FlowCBR0.png, id=946, 370.38374pt x 661.47125pt>
1690	1696	File: ./Figures/FlowCBR0.png Graphic file (type png)
1691	1697	<use ./Figures/FlowCBR0.png>
1692	1698	Package pdftex.def Info: ./Figures/FlowCBR0.png used on input line 28.
...	...	@@ -1697,7 +1703,7 @@
1697	1703	[]
1698	1704
1699	1705	[63 <./Figures/FlowCBR0.png>]
1700		-<./Figures/Stacking1.png, id=955, 743.77875pt x 414.54875pt>
	1706	+<./Figures/Stacking1.png, id=956, 743.77875pt x 414.54875pt>
1701	1707	File: ./Figures/Stacking1.png Graphic file (type png)
1702	1708	<use ./Figures/Stacking1.png>
1703	1709	Package pdftex.def Info: ./Figures/Stacking1.png used on input line 67.
...	...	@@ -1708,7 +1714,7 @@
1708	1714	[]
1709	1715
1710	1716	[64]
1711		-<./Figures/AutomaticS.png, id=964, 688.5725pt x 548.0475pt>
	1717	+<./Figures/AutomaticS.png, id=965, 688.5725pt x 548.0475pt>
1712	1718	File: ./Figures/AutomaticS.png Graphic file (type png)
1713	1719	<use ./Figures/AutomaticS.png>
1714	1720	Package pdftex.def Info: ./Figures/AutomaticS.png used on input line 80.
...	...	@@ -1758,7 +1764,7 @@
1758	1764
1759	1765	[]
1760	1766
1761		-<./Figures/Stacking2.png, id=986, 743.77875pt x 414.54875pt>
	1767	+<./Figures/Stacking2.png, id=987, 743.77875pt x 414.54875pt>
1762	1768	File: ./Figures/Stacking2.png Graphic file (type png)
1763	1769	<use ./Figures/Stacking2.png>
1764	1770	Package pdftex.def Info: ./Figures/Stacking2.png used on input line 157.
...	...	@@ -1780,7 +1786,7 @@
1780	1786
1781	1787	[]
1782	1788
1783		-<Figures/FW.png, id=999, 456.70625pt x 342.27875pt>
	1789	+<Figures/FW.png, id=1000, 456.70625pt x 342.27875pt>
1784	1790	File: Figures/FW.png Graphic file (type png)
1785	1791	<use Figures/FW.png>
1786	1792	Package pdftex.def Info: Figures/FW.png used on input line 187.
...	...	@@ -1800,7 +1806,7 @@
1800	1806
1801	1807	[]
1802	1808
1803		-<./Figures/boxplot.png, id=1013, 1994.45125pt x 959.585pt>
	1809	+<./Figures/boxplot.png, id=1014, 1994.45125pt x 959.585pt>
1804	1810	File: ./Figures/boxplot.png Graphic file (type png)
1805	1811	<use ./Figures/boxplot.png>
1806	1812	Package pdftex.def Info: ./Figures/boxplot.png used on input line 292.
...	...	@@ -1860,7 +1866,7 @@
1860	1866	(/usr/local/texlive/2023/texmf-dist/tex/latex/psnfss/t1pcr.fd
1861	1867	File: t1pcr.fd 2001/06/04 font definitions for T1/pcr.
1862	1868	) [79]
1863		-<spimufcphdthesis-backpage.pdf, id=1072, 597.432pt x 844.83629pt>
	1869	+<spimufcphdthesis-backpage.pdf, id=1073, 597.432pt x 844.83629pt>
1864	1870	File: spimufcphdthesis-backpage.pdf Graphic file (type pdf)
1865	1871	<use spimufcphdthesis-backpage.pdf>
1866	1872	Package pdftex.def Info: spimufcphdthesis-backpage.pdf used on input line 386.
1867	1873
...	...	@@ -1907,10 +1913,10 @@
1907	1913	lvetic/uhvr8a.pfb></usr/local/texlive/2023/texmf-dist/fonts/type1/urw/helvetic/
1908	1914	uhvro8a.pfb></usr/local/texlive/2023/texmf-dist/fonts/type1/urw/times/utmr8a.pf
1909	1915	b></usr/local/texlive/2023/texmf-dist/fonts/type1/urw/times/utmri8a.pfb>
1910		-Output written on main.pdf (86 pages, 6937142 bytes).
	1916	+Output written on main.pdf (86 pages, 6937265 bytes).
1911	1917	PDF statistics:
1912		- 1208 PDF objects out of 1440 (max. 8388607)
1913		- 1016 compressed objects within 11 object streams
	1918	+ 1209 PDF objects out of 1440 (max. 8388607)
	1919	+ 1017 compressed objects within 11 object streams
1914	1920	295 named destinations out of 1000 (max. 500000)
1915	1921	604 words of extra memory for PDF output out of 10000 (max. 10000000)

No preview for this file type