Doctorat (H/F) en Web Sémantique et Intelligence Artificielle

Sujet de thèse :
Dans le cadre du projet ANR DIVA, cette thèse se concentrera sur la modélisation sémantique et la représentation en graphes de connaissances de l’activité analytique des utilisateurs, ainsi que sur l’étude d’approches neuro-symboliques pour apprendre et raisonner sur ces représentations. L’objectif est ainsi de poser les fondations nécessaires à la prédiction de comportements et, à terme, au développement de mécanismes de recommandation et d’adaptation des visualisations explicables et contrôlables.

Malgré des travaux importants sur la capture et la visualisation des traces d'activité des utilisateurs, les représentations existantes sont généralement propriétaires ou ad hoc [1], ce qui limite le raisonnement automatisé, l'interopérabilité et la réutilisation à long terme. Les graphes de connaissances (GC), fondés sur les normes du Web sémantique telles que RDF, RDFS et OWL, offrent une alternative prometteuse pour représenter l'activité des utilisateurs sous forme de données liées et riches sur le plan sémantique [3]. Ils permettent notamment de structurer et intégrer des données d'activité hétérogènes, tout en fournissant des mécanismes standardisés d'interrogation et de raisonnement. Cette représentation constitue ainsi un support pertinent pour l'application de méthodes d'IA visant à identifier des comportements analytiques et à en prédire l'évolution, tout en conservant une représentation explicite et interprétable des connaissances.

S'appuyant sur des travaux antérieurs (par exemple, UI2Ont [4] et DIVA [5], et des ensembles de données ouverts sur l'activité des utilisateurs [6], cette thèse de doctorat vise à développer des modèles sémantiques et des approches neuro-symboliques pour la représentation et l'analyse de l'activité utilisateur. Elle s'articule autour des objectifs suivants :
• Modélisation sémantique de l'activité de l'utilisateur : Développer un cadre unifié, fondé sur des vocabulaires RDF, pour représenter l'activité multimodale de l'utilisateur sous forme de GC, en intégrant et structurant les données hétérogènes générées lors de l'exploration visuelle, notamment les interactions de l'utilisateur, le suivi du regard et les verbalisations.
• Découverte et prédiction du comportement exploratoire de l'utilisateur : Étudier des méthodes neuro-symboliques permettant d'exploiter les GC pour découvrir et prédire des comportements exploratoires, en combinant apprentissage automatique et raisonnement symbolique afin d'identifier des modèles comportementaux interprétables.
• Raffinement dynamique et validation des modèles comportamentaux : Étudier des méthodes de raffinement incrémental des modèles et règles comportementaux au cours de l'exploration, et évaluer leur qualité, leur interprétabilité et leurs capacités prédictives dans différents scénarios d'utilisation.

Plan de travail : La thèse débutera par une revue de l’état de l’art, suivie du développe
Voir plus sur le site emploi.cnrs.fr...