Where PhDs and companies meet
Menu
Login

Already registered?

New user?

Machine learning Engineering : Implémentation d’un modèle d’apprentissage pour guider les utilisateurs dans un contexte d’interaction dans les réseaux sociaux.

ABG-105548 Thesis topic
2022-05-12 Public funding alone (i.e. government, region, European, international organization research grant)
CNRS LAGA
Paris - Ile-de-France - France
Machine learning Engineering : Implémentation d’un modèle d’apprentissage pour guider les utilisateurs dans un contexte d’interaction dans les réseaux sociaux.
  • Computer science
machine learning

Topic description

Contexte

Le commerce social est un concept marketing qui consiste à offrir aux consommateurs une expérience d’achat optimale et personnalisée par le biais de médias sociaux. La mise en place d’une telle approche repose essentiellement sur l’intégration de fonctionnalités de commerce électronique directement dans les plateformes sociales (Facebook, Instagram, Snapchat, etc.). Quelle est l’utilité du commerce social et comment mettre en place une stratégie en la matière ? La réponse avec WIS.

Selon une étude publiée par Hootsuite en 2019, 38 millions de Français sont actifs sur les réseaux sociaux et les utilisent régulièrement (58 % de la population). Les plateformes sociales constituent donc un très bon vivier de clients, d’où le succès grandissant de l’approche social commerce.

Les acteurs du ecommerce sont donc impliqués de plus en plus dans le cycle de vie de la vente d’un produit et ont tendance à privilégier les réseaux sociaux comme précipales market places pour la promotion et la vente de leurs produits.

Responsabilités

Ce projet s’inscrit dans le cadre de développement d’une plateforme permettant de promouvoir des produits dans les réseaux sociaux.

L’un des acteurs des réseaux sociaux aujourd’hui (typiquement les influenceurs) ont la capacité de promouvoir un produit mais ont besoin d’etre guidé tout le long du processus.

En effet, certain produits doivent respecter une certaines charte de présentation : typiquement l’arrière plan, la couleur ou l’environnement de prise de photos etc. Le promoteur du produit ne pourra forcément pas se souvenir de toutes les contraintes liées à la présentation de ce produit pendant son live facebook/instagram, etc. Il aura donc besoin d’une approche permettant de l’aider à y parvenir.

L’objectif de ce stage est de proposer, implémenter, tester et valider un certain nombre de modèle d’apprentissage automatique adaptées à cette configuration. Typiquement, le modèle aura à produire en ligne et d’une manière optimale des sorties sous forme d’instructions pouvant aider le promoteur du produit à adapter ses décisions et à respecter les régles de présentation du produit en live.

Les sorties de l’algorithmes seront à etre affiché dans une fenetre que le présentateur du produit pourra visualiser et lire clairement.

Afin d’y parvenir, le stagiare trvaillera en ettraoite collaboration avec un doctorant travaillant déjà sur le sujet. Plusieurs problématiques necessitent à étre soulevées.

  1. La collecte de données :

Le stagiare devra créer un coprus de données issue des réseaux sociaux. Pour y parvenir, il devra implémenter une approche pouvant lui permettre de récolter les données necessaires à exploiter.

Il faudra ici encore faire attention à respecter les normes RGPD et les techniques permettant de garantir le respect totale de l’identité de la personne. L’état de l’art est donc à consulter pour en savoir plus.

  1. La préparation de la données

Le stagiaire devra donc faire une étude approfondie afin d’expérimenter les approches optimales de préparation de la données en vue d’entrainer des modèles d’apprentissage incrémental ou de créer des modèles d’apprentissage par renforcement en ligne.

  1. Le bluid et spot check de différents modèles d’apprentissage appropriés.

Le stage ne se limite pas aux méthodes traditionnelles utilisées déjà dans l’état de l’art mais le stagiaire aura comme tache principale de créer une série d’exprimentations lui permettant de tester un maximum de modèles et conclure sur le meilleure modèle choisi.

  1. Affichage des résultats d’une manière interactive.

Le stagiaire travaillera enfin sur l’affichage des sorties de ce modèle. Les résultats de cette étude seront à afficher sur une fenetre ou terminal de son choix.

Compétences recherchées

  • Connaissance de l’apprentissage automatique et du cycle de vie d’un projet data science
  • Maitrise d’un langage de programmation : python/scala
  • A l’aise avec la recherche d’info sur les bases de données
  • Bonne compréhension des modèles de recommandation.
  • Aptitude à essayer d’être autonome tout en bénéficiant de l’expérience de l’équipé et le partage de connaissances.
  • Etre motivé pour apprendre avec l’équipe.

 

Bibliographie :

FANG, Meng, LI, Yuan, et COHN, Trevor. Learning how to active learn: A deep reinforcement learning approach. arXiv preprint arXiv:1708.02383, 2017.

SAWHNEY, Ramit, WADHWA, Arnav, AGARWAL, Shivam, et al. Quantitative day trading from natural language using reinforcement learning. In : Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. 2021. p. 4018-4030.

ZHAO, Xiangyu, XIA, Long, ZHANG, Liang, et al. Deep reinforcement learning for page-wise recommendations. In : Proceedings of the 12th ACM Conference on Recommender Systems. 2018. p. 95-103.

ZHAO, Xiangyu, ZHANG, Liang, XIA, Long, et al. Deep reinforcement learning for list-wise recommendations. arXiv preprint arXiv:1801.00209, 2017.

ZHENG, Guanjie, ZHANG, Fuzheng, ZHENG, Zihan, et al. DRN: A deep reinforcement learning framework for news recommendation. In : Proceedings of the 2018 World Wide Web Conference. 2018. p. 167-176.

LI, Jiwei, MONROE, Will, RITTER, Alan, et al. Deep reinforcement learning for dialogue generation. arXiv preprint arXiv:1606.01541, 2016.

OGNIBENE, Dimitri, TAIBI, Davide, KRUSCHWITZ, Udo, et al. Challenging social media threats using collective well-being aware recommendation algorithms and an educational virtual companion. arXiv preprint arXiv:2102.04211, 2021.

Starting date

2022-09-01

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Presentation of host institution and host laboratory

CNRS LAGA

Ce serait co-encadré par UP8 avec un partenaire industriel potentiellement.

PhD title

Computer science

Country where you obtained your PhD

France

Candidate's profile

  • Connaissance de l’apprentissage automatique et du cycle de vie d’un projet data science
  • Maitrise d’un langage de programmation : python/scala (obligatoire)
  • A l’aise avec la recherche d’info sur les bases de données
  • Bonne compréhension des modèles de recommandation.
  • Aptitude à essayer d’être autonome tout en bénéficiant de l’expérience de l’équipé et le partage de connaissances.
  • Etre motivé pour apprendre avec l’équipe.
2022-06-30
Partager via
Apply
Close

Vous avez déjà un compte ?

Nouvel utilisateur ?