webleads-tracker

Partager

Contexte

Press’Innov est une entreprise innovante, experte en gestion de données et de contenus éditoriaux avec des spécialisations sectorielles : édition-presse-média, e-commerce, juridique et institutions publiques. Au travers de ses missions d’audit, de conseil, d’accompagnement au changement, d’AMOA/MOE, Press’Innov développe des architectures intelligentes idéales pour la structure optimale des données.
Ces missions recouvrent un mode d’intervention complet par la mise en œuvre d’outils digitaux de A à Z pour l’optimisation des contenus éditoriaux des sites e-commerce et ainsi répondre aux besoins du client de manière personnalisée.

Face à l’émergence du e-commerce, les sites spécifiques à ce domaine doivent donc prendre en compte les attentes du client et s’adapter en fonction de son comportement. Afin de répondre à ces exigences, la solution envisagée consistera à mettre au point un système de profiling intelligible permettant de modéliser le comportement de l’utilisateur en tenant compte de toutes les informations relatives à ce dernier. Ainsi, le système permettra d’adapter les contenus en fonction de chaque profil afin d’améliorer le taux de transformation. Cette partie fondamentale dédiée à la modélisation, sera concrétisée par une partie de développement où le doctorant prendra en charge l’intégration de la solution proposée dans un CSP (Content Services Platform) déjà mis en œuvre à Press’Innov.

Objet de l’étude

Cette thèse se déroulera dans les locaux de Press’Innov (partenaire industriel) et dans les locaux du LIRIS (partenaire académique). Elle consistera à dresser un état de l’art complet sur les systèmes de profiling et de modélisation utilisateur en vue de proposer une approche par apprentissage statistique qui répond à la problématique posée par le partenaire industriel dans le domaine du e-commerce. Du point de vue fondamental, des approches de « machine learning » de type « factorisation de matrices » seront privilégiées et du point de vue applicatif, les données métier seront à la disposition du doctorant. Précisément, le doctorant aura en charge l’assurance des missions suivantes :

  • Analyse bibliographique et synthèse.
  • Proposition et implémentation des algorithmes de profiling.
  • Développement d’une API avec une intégration dans un CSP.
  • Publication des résultats associés dans des revues et/ou conférences spécialisées.

Références

  • Rundong Du, Barry L. Drake, Haesun Park: Hybrid Clustering based on Content and Connection Structure using Joint Nonnegative Matrix Factorization. CoRR abs/1703.09646 (2017).
  • Huan YanZifeng WangTzu-Heng LinYong Li, Profiling users by online shopping behaviors, Multimedia Tools and Applications, 2017.
  • Liangda Li, Guy Lebanon, and Haesun Park, Coordinate Descent Algorithm for Nonnegative Matrix Factorization with Bregman Divergences, Proc. of the 18th ACM SIGKDD Int. Conf.on Knowledge discovery and data mining (KDD), 2012.

Candidature

  • Nous recherchons un(e) candidat(e) motivé(e) avec le profil suivant :
  • Diplôme de Master ou d’ingénieur avec une spécialité en Informatique/Statistiques.
  • Très bonnes connaissances en science de données : Statistiques, Machine Learning et Web Sémantique.
  • Des connaissances en traitement automatique du langage naturel seraient les bienvenues.
  • Connaissance en micro-services.
  • Maîtrise des langages de programmation : Java et/ou python.
  • Agilité, autonomie, force de proposition, capacité de travail en équipe.

Contact


Partager