Séminaire SESAME du 20 Janvier 2025
à 10h00, dans la salle 104 du bâtiment 11 dit le château, 2 Place Pierre Viala Campus La Gaillarde, 34000 Montpellier
Génération automatique d’ontologies et de graphes de connaissances via des données des réseaux sociaux et de mobilité des gens pour la découverte et la recommandation des sites touristiques peu connus par Landy RAJAONARIVO, TETIS
Résumé: Ces dernières années, de nombreuses grandes villes du monde ont été confrontées au problème du « sur-tourisme », qui peut avoir des répercussions négatives sur la population et les autorités locales, les touristes et l'environnement. Certains lieux ou événements locaux sont peu connus, mais peuvent offrir des caractéristiques ou des services comparables à ceux des lieux plus connus. Mais les lieux peu connus sous-entendent peu d'informations disponibles, et le défi est donc de disposer de détails sur ces lieux afin de connaître leurs caractéristiques et de les recommander aux profils de touristes susceptibles d'être intéressés par ces lieux. L'objectif est de promouvoir les sites moins connus en les proposant comme des alternatives ou des passages intermédiaires pour la visite de sites plus connus, afin de réduire le risque de « sur-tourisme ». Dans ce travail, nous proposons des approches de génération automatique d'ontologies et de graphes de connaissances pour découvrir des connaissances et prédire les caractéristiques de lieux ou d'événements locaux à partir de données de réseaux sociaux et de la mobilité des personnes. Différentes techniques et méthodes d'apprentissage ont été utilisées pour mener à bien ce travail, telles que la détection d'entités nommées, l’enrichissement d’ontologies via des LOD (Linked Open Data), le GCN (Graph Convolution Network), le FSL (Few-shot Learning), le CL (Contrastive Learning), etc. Les résultats expérimentaux ont confirmé que l'analyse des données de réseaux sociaux nous permet de découvrir non seulement des instances et des catégories dans une ontologie d'événements locaux, mais aussi des relations sémantiques entre les données. En étudiant le comportement des personnes en matière de mobilité, nous pouvons prédire les caractéristiques des lieux en termes de popularité, de dynamisme temporel et spatial, de concepts sémantiques, etc.