SRS - Recommandation intelligente de films: Difference between revisions
| Line 47: | Line 47: | ||
=Evolutions potentielles du produit= |
=Evolutions potentielles du produit= |
||
*Multi utilisateurs : Une session de préférence par utilisateur. De plus, les goûts des utilisateurs seront sauvegardés afin qu'à la prochaine connexion, le modèle de Deep Learning soit prêt à prédire des films correspondant au goût de l'utilisateur concerné. |
|||
*Prédire les films "tendance" du moment en priorité. Le site affichera en priorité les films les plus populaire du moment et correspondant aux goûts de *l'utilisateur. Pour cela, il scannera les tweets de Tweeter en temps réel et cherchera une correspondance entre les tweets de films populaires et ceux prédis par le modèle pour l'utilisateur concerné. |
|||
*Utiliser des systèmes distribués afin d'améliorer les performances d'apprentissage du modèle de Deep Learning et de l'analyse en temps réel de Tweeter. |
|||
=Conception du frontend du site= |
=Conception du frontend du site= |
||
Revision as of 14:45, 24 January 2017
Voici la fiche SRS du projet Recommandation intelligente de films.
Équipe
- Rachex Coralie (Chef de projet - Scrum Master)
- Niogret Edwin
- Hattinguais Julian
- Navarro Elsa
- Dunand Quentin
Introduction
But du document
Le but de ce document SRS est de fournir une vue d'ensemble détaillée de notre système logiciel, ses paramètres et buts. Ce document décrit le public cible du projet et son interface utilisateur, matériel ainsi que les spécifications du logiciel. Ce document est destiné tant aux utilisateurs qu'aux développeurs du logiciel.
Objectif du projet
Le but de ce projet est d'explorer les possibilités du Deep Learning sur des données dont les variables sont hétérogènes et multidimensionnelles, ceci au travers de la suggestion intelligente de films s'adaptant aux goûts de l'utilisateur. Grâce à un système de réseaux neuronaux et d'une base de données conséquente de films (TMDb), le site proposera une liste de suggestions de films personnalisée par utilisateur. Le modèle créé sur une base de données relativement statique pourra alors être affiné en temps réel grâce à l'analyse des opinions exprimées par les flux Twitter.
Portée du produit
Le produit est destiné aux utilisateurs désireux de générer automatiquement des recommandations de films en fonction de leur goût propre.
Description générale
Le but du produit
Le produit doit permettre à l'utilisateur d'obtenir des recommandations intelligentes de films en fonction des films qu'il a apprécié et de ceux qu'il n'a pas apprécié. Cette recommandation doit tenir compte de la proximité des films les uns par rapport aux autres en terme de genre, synopsie, acteurs, réalisateurs, etc. Mais doit également tenir compte de la popularité des films et des tendances actuelles grâce à l'analyse en temps réel des flux Twitter.
L'apport principal par rapport aux produits concurrents est de réaliser des prédictions sur mesure, grâce à l'utilisation de l'apprentissage automatique et à l'établissement d'un modèle propre à chaque utilisateur. La suggestion devrait donc être plus précises que pour les produits se basant sur la similarité des goûts entre utilisateurs. Deux utilisateurs appréciant un même film, ne sont en effet pas forcé d'apprécier tous les deux un autre film.
Fonctionnalités
Le site est conçu pour un utilisateur et ne sauvegarde que temporairement les choix de celui-ci.
- Il proposera tout d'abord une liste de films représentatif de tout les genres, réalisateurs, acteurs... du cinéma. L'utilisateur pourra pour chaque film, dire si il aime, n'aime pas ou n'a pas d'opinion sur ce film.
- Ensuite, en fonction des réponses de l'utilisateur, le site prédira grâce à un système de Deep Learning les films pouvant potentiellement plaire à l'utilisateur et les affichera avec leurs détails.
- L'utilisateur pourra ensuite noter ces nouveaux films si il le souhaite, et une nouvelle liste de films se générera afin de mieux s'adapter aux goûts de l'utilisateur.
Utilisateurs potentiels
Toute personne souhaitant avoir une suggestion de film à regarder. Il sera présupposé que la personne a un minimum de culture cinématographique sinon le modèle de Deep Learning aura du mal à comprendre ses goûts. En effet, si l'utilisateur ne connait aucun film, il ne pourra pas dire si il les aime ou non...
Cas d'utilisations
Contraintes générales
Dépendances
API de la base de donnée de film TMDB : https://developers.themoviedb.org/3/people
Evolutions potentielles du produit
- Multi utilisateurs : Une session de préférence par utilisateur. De plus, les goûts des utilisateurs seront sauvegardés afin qu'à la prochaine connexion, le modèle de Deep Learning soit prêt à prédire des films correspondant au goût de l'utilisateur concerné.
- Prédire les films "tendance" du moment en priorité. Le site affichera en priorité les films les plus populaire du moment et correspondant aux goûts de *l'utilisateur. Pour cela, il scannera les tweets de Tweeter en temps réel et cherchera une correspondance entre les tweets de films populaires et ceux prédis par le modèle pour l'utilisateur concerné.
- Utiliser des systèmes distribués afin d'améliorer les performances d'apprentissage du modèle de Deep Learning et de l'analyse en temps réel de Tweeter.
Conception du frontend du site
Présentation du site
Appendices
Structure du SRS
The document is based on template of the Software Requirements Specification (SRS) inspired of the IEEE/ANSI 830-1998 Standard.
References: