Utilisation de grands modèles de langage (LLMs) pour la modélisation des utilisateurs et l’identification du contexte de recherche dans la recherche d’informations personnalisées.

Abstract

La croissance des ressources numériques et la diversité des informations disponibles sur le Web rendent l’accès à des contenus pertinents de plus en plus complexe. Les systèmes classiques de recherche d’information reposent principalement sur l’appariement lexical entre les requêtes et les documents, sans prendre suffisamment en compte les préférences et le contexte de l’utilisateur. Cette limitation a favorisé l’émergence de la Recherche d’Information Personnalisée (RIP), qui vise à adapter les résultats aux besoins spécifiques de chaque utilisateur. Ce mémoire propose une approche de recherche d’information personnalisée basée sur les Grands Modèles de Langage (LLMs) pour la modélisation des utilisateurs et l’identification du contexte de recherche. Le système proposé, nommé RIP-LLM, repose sur trois phases principales : — Phase 1 : Modélisation du profil utilisateur . Un profil utilisateur est construit en combinant une dimension thématique à long terme, issue d’une extraction profonde par LLM, et une dimension comportementale à court terme capturant les interactions et l’historique récents de l’utilisateur. — Phase 2 : Identification du contexte de recherche. Analyse de la requête et de l’historique récent afin de déterminer l’intention réelle de l’utilisateur et de réduire l’ambiguïté des requêtes. — Phase 3 : Reformulation et enrichissement contextuel des requêtes. Les LLMs reformulent la requête en tenant compte du profil utilisateur et du contexte identifié afin de réduire l’ambiguïté et d’améliorer sa pertinence. L’approche proposée met en évidence l’apport des Grands Modèles de Langage dans le domaine de la recherche d’information personnalisée. En exploitant le profil utilisateur et le contexte de recherche, le système RIP-LLM permet de générer des reformulations de requêtes plus adaptées aux besoins de l’utilisateur et d’améliorer la qualité du processus de recherche.