Difference between revisions of "SRS - Recommandation intelligente de films"

From air
Jump to navigation Jump to search
Line 207: Line 207:
 
* [http://www.cse.msu.edu/~chengb/RE-491/Papers/IEEE-SRS-practice.pdf IEEE Recommended Practice for Software Requirements Specifications IEEE Std 830-1998]
  
* [http://www.cse.msu.edu/~chengb/RE-491/Papers/IEEE-SRS-practice.pdf IEEE Recommended Practice for Software Requirements Specifications IEEE Std 830-1998]
   
−
=Bibliographie=
 +
==Bibliographie==
   
 
Articles sur les systèmes de recommandation :
  
Articles sur les systèmes de recommandation :

Revision as of 16:28, 16 February 2017

Voici la fiche SRS du projet Recommandation intelligente de films.

Page d'accueil du projet

Équipe

  • Rachex Coralie (Chef de projet - Scrum Master)
  • Niogret Edwin
  • Hattinguais Julian
  • Navarro Elsa
  • Dunand Quentin

Introduction

Qui n'a pas rêvé d'avoir une liste de films correspondant exactement à ses goûts cinématographiques ? Beaucoup d'algorithmes ont été conçus pour tenter d'adapter une liste de film en fonction des goûts de l'utilisateur mais manquaient d'efficacité. Avec l’essor de l'intelligence artificielle et des réseaux neuronaux, de nouveaux outils émergent afin de mieux comprendre le comportement et les goûts humains. Nous avons donc décidé de développer un système capable de comprendre les goûts cinématographiques d'un humain de manière bien plus performante que les algorithmes déjà conçu dans ce but là.

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, 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 statique pourra alors être affiné en temps réel grâce aux nouvelles opinions exprimées par l’utilisateur.

Définitions, acronymes et abréviations

Deep Learning : ensemble de méthodes d'apprentissage automatiques visant à modéliser avec un haut niveau d’abstraction un ensemble de données.

Références

Portée du produit

Le produit est destiné aux utilisateurs désireux de générer automatiquement des recommandations de films en fonction de leurs goûts. L'application sera plus efficace sur des cinéphiles car ils pourront annoter un grand nombre de buts, mais elle a aussi la prétention de pouvoir être utile à un internaute lambda sans condition sur ses connaissances cinématographiques.

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 appréciés et de ceux qu'il n'a pas appréciés. 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 personnalisées, 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 précise comparée à celles se basant sur la similarité des goûts entre utilisateurs. Deux utilisateurs appréciant un même film, ne sont en effet pas forcés d'apprécier tous les deux un autre film.

Description du produit

Interface système

TODO : Schéma communication entre le back et le front

Interface utilisateur

TODO : Différentes vues du site à la fin du projet

Interface hardware

TODO : Mettre un schéma de notre architecture si on est en application réparties (communication entre le master et les slaves)

Interface software

TODO : Mettre un schéma UML de l'application

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 représentative de tous les genres, réalisateurs, acteurs... du cinéma. L'utilisateur pourra pour chaque film, dire s'il aime, n'aime pas ou n'a pas d'opinions 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 s'il le souhaite, et une nouvelle liste de films se générera afin de mieux s'adapter aux goûts de l'utilisateur.

Caractéristiques utilisateurs

Les utilisateurs doivent posséder une certaine culture cinématographique pour constituer une base d'apprentissage, en fonction des films qu'ils ont préalablement visionnés et de leur avis sur ceux-ci. En revanche, aucune compétence informatique spécifique n'est requise, de sorte qu'un utilisateur novice puisse utiliser l'application. L'interface doit donc être intuitive et extrêmement simple d'utilisation.

Contraintes générales

  • Avoir une connexion internet.
  • Avoir un niveau basique de connaissances informatiques (savoir s'inscrire sur un site internet...).
  • L'apprentissage machine doit reposer sur TensorFlow (Keras)
  • Les données en entrées proviennent de l'API TMDB et des API Twitter (API REST 1.1 pour les données historiques ou API Streaming pour les données temps réelles)
  • l'API TDMBSimple limite le nombre de requêtes à la base de données à 40 par seconde. Peut potentiellement énormément ralentir les services.
  • Le modèle de prédiction doit être assez fiable pour prédire correctement un nombre conséquent de films pouvant potentiellemennt plaire à l'utilisateur (70%-80%).

Dépendances

Spécifités du système

Conception de l'interface du système

TODO : A garder ???

Fonctionnalités et performances du système

TODO : A changer ? (nom fonctions, ajout des goûts twitter etc...)

F1

Fonction: Récupérer les préférences d'un utilisateur

Description: Le back-end va récupérer tout les films qu'un utilisateur a noté ainsi que leur note (j'aime ou j'aime pas) et va les sauvegarder dans un fichier JSON

Inputs: Nom utilisateur

Source: Site internet

Outputs: Fichier JSON correspondant aux préférences de l'utilisateur concerné

Destination: F2

F2

Fonction: Prétraiter les données d'une liste de film

Description: Prétraite les données d'une liste de film afin de les rendrent compréhensible par le modèle d'apprentissage

Inputs: Liste de films (leur id) chargé depuis le fichier JSON d'un utilisateur

Source: F1, API TMDBSimple, Glove/Doc2Vec

Outputs: Matrice de données. Chaque ligne correspond aux informations d'un film

Destination: F3

F3

Fonction: Entrainer un modèle d'apprentissage d'un utilisateur

Description: Crée et entraîne le modèle d'apprentissage qui va comprendre les goûts cinématographique d'un utilisateur

Inputs: Matrice des données prétraitées correspondant aux films notés par l'utilisateur

Source: F2, Keras

Outputs: Matrice de données. Chaque ligne correspond aux informations d'un film.

Destination: Back-end

F4

Fonction: Prédire une liste de film que l'utilisateur pourrait potentiellement aimer.

Description: Le système va soumettre une liste aléatoire ou selectionné de films et il va demander au modèle de prédiction si ces films correspondent au goût d'un utilisateur. Il a besoin de prétraiter ses données.

Inputs: F3, F2

Source: F2, Keras

Outputs: Liste des films pouvant intéresser l'utilisateur.

Destination: F5

F5

Fonction: Recommander à l'utilisateur des films

Description: Le site va soumettre à l'utilisateur une liste de films correspondant à ses goûts cinématographique

Inputs: Back-end, il faut que l'utilisateur ait renseigné ses goûts.

Source: F4

Outputs: Liste des films pouvant intéresser l'utilisateur.

Destination: Interface utilisateur

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.

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:

Bibliographie

Articles sur les systèmes de recommandation :

Explication des termes deep learning :

Exemple simple pour prendre en main Keras :

API TMDB :

Tuto Django + AngularJS :

DOC2VEC :

Embedding layers :

Python API - Flask :

Grid'5000 :

Retrieved from "https://air.imag.fr/index.php?title=SRS_-_Recommandation_intelligente_de_films&oldid=33821"