Segmentation d’images par modèle de mélange conjoint non gaussien

Segmentation d'images par modèle de mélange conjoint non gaussien

RÉSUMÉ. L’idée à l’origine du modèle de mélange conjoint (MMConjoint) est de classer simultanément deux ensembles d’observations en introduisant un a priori conjoint entre les deux classifications et un lien statistique entre les deux observations. Nous étudions en particulier le cas de mélanges gaussiens et le cas de mélanges paramétriques non gaussiens construits à partir de copules et de mar...

Un modèle de classement de services par contribution et utilité

Résumé Les architectures orientées services (AOS) se sont imposées pour la construction d’applications web grâce à l’élaboration de standards ouverts et compatibles avec les technologies web existantes. Le nombre de services sur le web grandit chaque jour et les développeurs d’applications sont souvent confrontés au problème de choisir parmi les services disponibles. Cet article présente un mod...

Extraction d'un vocabulaire de surprise par mélange de filtrage collaboratif et d'analyse de sentiments

Computer science is undergoing a profound transformation: gains in computing power and the availability of large datasets provide a fertile ground for machine learning research. One challenge in this context is to take account of user preferences to provide personalized access to information.Recommender systems create user and item profiles using past user reviews, profiles that reflect user pr...

Réédition de documents numériques guidée par un modèle utilisateur

Modèle Neuronal de Recherche d'Information Augmenté par une Ressource Sémantique

In information retrieval task, the words semantic has been recognized as significant mean to improve the document-query matching. First, the symbolic semantics extracted from external resources allows to represent entities and their explicit relations. Second, the distributed semantics inferred from the corpus allows to exploit the implicit relations hidden in a corpus. In this paper, we introd...