Jerbi, Houssem (2012) Personnalisation d'analyses décisionnelles sur des données multidimensionnelles. École doctorale Mathématiques, Informatique et Télécommunications (Toulouse).

[thumbnail of JerbiHoussem-2012.pdf]
Preview
Text
Download (2MB) | Preview

Abstract

Le travail présenté dans cette thèse aborde la problématique de la personnalisation des analyses OLAP au sein des bases de données multidimensionnelles. Une analyse OLAP est modélisée par un graphe dont les nœuds représentent les contextes d’analyse et les arcs traduisent les opérations de l’utilisateur. Le contexte d’analyse regroupe la requête et le résultat. Il est décrit par un arbre spécifique qui est indépendant des structures de visualisation des données et des langages de requête. Par ailleurs, nous proposons un modèle de préférences utilisateur exprimées sur le schéma multidimensionnel et sur les valeurs. Chaque préférence est associée à un contexte d’analyse particulier. En nous basant sur ces modèles, nous proposons un cadre générique comportant deux mécanismes de personnalisation. Le premier mécanisme est la personnalisation de requête. Il permet d’enrichir la requête utilisateur à l’aide des préférences correspondantes afin de générer un résultat qui satisfait au mieux aux besoins de l’usager. Le deuxième mécanisme de personnalisation est la recommandation de requêtes qui permet d’assister l’utilisateur tout au long de son exploration des données OLAP. Trois scénarios de recommandation sont définis : l’assistance à la formulation de requête, la proposition de la prochaine requête et la suggestion de requêtes alternatives. Ces recommandations sont construites progressivement à l’aide des préférences de l’utilisateur. Afin valider nos différentes contributions, nous avons développé un prototype qui intègre les mécanismes de personnalisation et de recommandation de requête proposés. Nous présentons les résultats d’expérimentations montrant la performance et l’efficacité de nos approches.

,

This thesis investigates OLAP analyses personalization within multidimensional databases. OLAP analysis is modeled through a graph where nodes represent the analysis contexts and graph edges represent the user operations. The analysis context regroups the user query as well as result. It is well described by a specific tree structure that is independent of the visualization structures of data and query languages. We provided a model for user preferences on the multidimensional schema and values. Each preference is associated with a specific analysis context. Based on previous models, we proposed a generic framework that includes two personalization processes. First process, denoted query personalization, aims to enhancing user query with related preferences in order to produce a new one that generates a personalized result. Second personalization process is query recommendation that allows helping user throughout the OLAP data exploration phase. Our recommendation framework supports three recommendation scenarios, i.e., assisting user in query composition, suggesting the forthcoming query, and suggesting alternative queries. Recommendations are built progressively basing on user preferences. In order to implement our framework, we developed a prototype system that supports query personalization and query recommendation processes. We present experimental results showing the efficiency and the effectiveness of our approaches.

Item Type: Thesis (UNSPECIFIED)
Other titles: Personalizing Decision-support Analyses on Multidimensional Data
Language: French
Date: 20 January 2012
Keywords (French): OLAP (informatique) - Thèses et écrits académiques, Analyse multivariée - Thèses et écrits académiques
Subjects: H- INFORMATIQUE
Divisions: Institut de mathématiques de Toulouse
Ecole doctorale: École doctorale Mathématiques, Informatique et Télécommunications (Toulouse)
Site: UT1
Date Deposited: 03 May 2012 07:37
Last Modified: 02 Apr 2021 15:38
OAI Identifier: 2012TOU10009
URI: https://publications.ut-capitole.fr/id/eprint/5538
View Item

Downloads

Downloads per month over past year