Soutenance mémoire
Les visites muséales
Lors des visites muséales, les ouvrages de Gilman (1916) et Melton (1935) mettent en évidence le problème de la « fatigue muséale », décrivant une baisse de l’intérêt du visiteur à mesure que la visite progresse. L’objectif pour un système de recommandation est alors d’orienter le visiteur vers les expôts les plus pertinents. Or, étant donné qu’il est peu probable que le visiteur soit connu du système, celui-ci est confronté au problème du démarrage à froid, il lui est impossible d’effectuer des recommandations personnalisées. Afin de déterminer les goûts et attentes du visiteur, une solution couramment adoptée est de lui soumettre un questionnaire. Cette étape peut être fastifieuse pour l’utilisateur et ne convient pas à un visiteur n’ayant pas de préférence sur le contenu de son parcours ou simplement désireux de découvrir la collection. De plus, une fois le profil du visiteur connu, les propositions du systèmes peuvent être soumises à la sur-spécialisation et donc mener à un parcours peu diversifié. Ainsi, la problématique est d’éviter le démarrage à froid, sans pour autant imposer un questionnaire avant la visite, mais aussi d’éviter la sur-spécialisation des profils ayant une préférence en y intégrant des œuvres différentes, permettant de découvrir la collection.
Le tourisme urbain
Le tourisme cuturel en ville est marqué par des changements de rythme tout au long du séjour. Une étude menée en partenariat avec des chercheurs en sciences sociales (Béguin 2015; Picolot 2016) montrent l’importance de moments de repos durant le séjour et la diversité des préférences des visiteurs en terme d’emploi du temps. Par ailleurs, les travaux de Wastiaux (2009) soulignent l’attrait des touristes pour la découverte de la ville au gré de promenades, qui est donc un aspect important à ne pas négliger. Un système de recommandation doit donc être capable de proposer un parcours touristique équilibré et adapté au rythme du voyageur. Or, l’offre touristique étant très importante et les profils utilsateurs principalement tournés sur les goûts culturels du visiteur, la sur-spécialisation amène à recommander des parcours uniquement constitués d’activités issus du catalogue (comme les spectacles ou visites de musées) en délaissant les moments de repos. De plus, la flânerie étant imprévisible par nature, il est difficile de l’intégrer à une stratégie de recommandation, ayant pour but de proposer un parcours figé en avance. Ainsi, la problématique est de s’adapter au rythme du visiteur et diminuer la surspécialisation, en proposant des parcours consciliant les temps forts du séjour avec des moments plus calmes, permettant au touriste de se reposer et découvrir la ville.
Fonctionnalités
Dans l’ouvrage de Aggarwal (2016a), on distingue plusieurs fonctionnalités que peut remplir un système de recommandation. La plus évidente est la pertinence, un système a pour objectif de recommander des solutions qui soient adéquates à l’utilisateur et sa demande. Mais bien que cet objectif soit primordial, il n’est pas suffisant en soi pour qu’un utilisateur juge une recommandation assez intéressante pour être sélectionnée et d’autres objectifs secondaires doivent être considérés car ayant un impact significatif sur la décision. La nouveauté est en effet aussi un point très important car un système de recommandation n’est réellement utile que lorsqu’il propose des solutions que l’utilisateur ne connaissait pas. Une autre notion proche de celle-ci a considérer est l’effet de surprise qui se manifeste lorsque les solutions sont inattendues. Plutôt que de lui proposer quelque chose qu’il ne connaissait pas mais très similaire à ses habitudes, lui recommander un objet réellement surprenant peut lui provoquer de l’intérêt. Un système doit à la fois proposer des éléments qui sont évidents aux yeux de la requête de l’utilisateur mais aussi surprenant, qu’il pourrait assimiler à de la chance. Les systèmes de recommandation proposent typiquement des listes de solutions, les k objets les plus pertinents (ou top-k items). Cependant elles sont toutes similaires les unes aux autres, il y a une possibilité que l’utilisateur n’aime aucune d’entre elles. La diversité permet de contrer ce problème en augmentant les chances qu’au moins une solution attire l’utilisateur et a l’avantage qu’il ne soit pas ennuyé par des recommandations trop similaires. Outre ces objectifs concrets, un certain nombre moins importants peuvent aussi être considérés, tant du point de vue de l’utilisateur que celui du fournisseur du système. L’ergonomie de l’interface peut par exemple inciter l’utilisateur a utiliser le service à nouveau et le détourner des alternatives de la concurrence. Enfin, un système donnant les raisons l’ayant mené à proposer une solution en particulier permet aux utilisateurs de se familiariser avec lui et d’affiner leurs futures recherches. Enfin, comme l’indique Ben Ticha (2015), on attend d’un système de recommandation qu’il ait une bonne couverture, c’est-à-dire la capacité à proposer l’entièreté de son catalogue en faisant varier le profil de l’utilisateur. Pour ce faire, il faut structurer et organiser l’information dont le système dispose.
Avantages et inconvénients du filtrage collaboratif basée sur les voisins
Grâce aux ouvrages de Desrosiers et al. (2011) et Ben Ticha (2015), nous pouvons identifier les avantages suivants :
– La généricité et la simplicité : cette approche est simple à implémenter et peut-être appliquée à tout type d’objets, car elle ne requiert aucune connaissance sur les objets à recommander. De plus, elle permet aussi de traiter des objets de divers types, comme le font les sites de commerce en ligne.
– L’effet de surprise : la prédiction basée sur les utilisateurs voisins est très efficace pour recommander des objets atypiques qui seront appréciés. Comme nous l’avons vu plus tôt, c’est un des aspect à considérer dans la personnalisation.
– L’amélioration progressive : au fur et à mesure que les utilisateurs évaluent les objets, la qualité du système augmente et il devient stable. L’ajout de nouveaux utilisateurs, objets ou notes, ne force qu’une partie de la matrice à être recalculée. Néanmoins, ces approches sont aussi soumises à certains inconvénients. Les mêmes ouvrages relèvent les suivants :
– Le démarrage à froid : ce problème concerne à la fois les nouveaux utilisateurs et les nouveaux objets. Un nouvel utilisateur ne peut recevoir de recommandation que lorsqu’il aura évalué un certain nombre d’objets et un nouvel objet ne pourra être recommandé que lorsqu’il aura été évalué par plusieurs utilisateurs.
– La sensibilité aux données manquantes : en raison du fait que les utilisateurs ne notent qu’une faible proportion des objets du système, la matrice utilisateurs – objets a un taux de valeurs manquantes pouvant atteindre 95 % à 99 %. Ces données manquantes rendent complexe la tâche de prédiction puisqu’il y a plus de valeurs à prédire que de valeurs connues.
– Le problème du mouton gris : le système a du mal à traiter les utilisateurs aux goûts marginaux puisqu’ils auront peu de voisins similaires (utilisateurs ou objets). Des études montrent qu’il faut un certain nombres d’utilisateurs et de votes pour que les notes prédites soient pertinentes.
Systèmes d’aide pour les visites de musées
L’étude de Ardissono et al. (2011) détaille des travaux de recherche autour de la personnalisation dans le domaine des visites de musées. Les auteurs font la distinction entre les systèmes, selon plusieurs critères, comme le moment où il interagit avec l’utilisateur (avant ou pendant la visite) ou la méthodologie de construction du profil utilisateur (à partir de préférences, de stéréotypes, etc.). Cette étude est complétée par celle de Kosmopoulos et al. (2018) qui se concentre plus sur l’utilisation de la localisation du visiteur dans le musée pour améliorer le profil utilisateur. Les systèmes de recommandation permettant de planifier une visite avant l’arrivée au musée sont historiquement les premiers à avoir été développés. Aujourd’hui, le système de Roes et al. (2009) est une référence dans la littérature qui propose un parcours en se basant sur une analyse des choix de l’utilisateur pour déterminer ses préférences. Un premier système aide l’utilisateur à découvrir le musée en ligne et permet de lui associer un profil en lui demandant de noter des catégories ou des tableaux qui lui sont présentés. Ces préférences sont ensuite utilisées par un deuxième système construisant un parcours dans le musée qui peut être modifié par l’utilisateur en exprimant des contraintes sur sa durée ou le nombre d’expôts à voir. L’inconvénient majeur de ce système se situe dans l’étape de création du profil utilisateur, car elle demande au futur visiteur de parcourir les œuvres de la collection sans qu’un pré-filtrage efficace ne soit vraiment appliqué. Concernant les dispositifs d’aide pendant la visite, nous remarquons une tendance pour les outils suivant la position du visiteur, afin de lui offrir une expérience personnalisée. L’utilisation de codes barres a été une première étape en permettant à un dispositif d’adapter le contenu multimédia (texte et audio) en fonction du profil utilisateur (Rouillard 2008). D’autres systèmes s’affranchissent de la nécessité d’une interaction avec l’expôt et exploitent les technologies sans fil pour déterminer l’expôt que le visiteur est en train de regarder. Le problème du démarrage à froid (voir le chapitre 2) est évité en demandant au visiteur de remplir un questionnaire pour déterminer ses préférences et créer un profil utilisateur de base, qui sera enrichi à partir de ses déplacements au sein du musée. Les travaux de Chien et al. (2013) ou de Ruotsalo et al. (2013), par exemple, exploitent ces technologies pour déclencher une interaction avec le visiteur (visualisation du contenu ou écoute de l’enregistrement de l’expôt). La recommandation quant à elle s’effectue à partir du profil du visiteur qui est influencé par les expôts devant lesquels le visiteur s’arrête et consomme du contenu. Une base de connaissances sous la forme d’une ontologie de la collection du musée permet de faire le lien entre les caractéristiques des œuvres et les préférences du visiteur. Par ailleurs, les travaux de Véron et al. (1983) établissent une typologie des visiteurs en observant leur trajectoire et la fréquence de leurs arrêts, ce qui les mène à décrire quatre profils à l’aide de métaphores animales : (i) les fourmis; (ii) les poissons; (iii) les sauterelles et (iv) les papillons. Chacun de ces profils de visite correspond à un schéma de mouvement spécifique dans l’espace physique des salles du musée qui traduit leur intérêt pour les expôts devant lesquels ils s’attardent. Les fourmis passent un temps assez long devant chaque œuvre en restant près de celles-ci, mais évitent les espaces vides dans la salle. Les poissons quant à eux s’arrêtent dans les espaces vides et évitent les zones proches des expôts. Les sauterelles sélectionnent certaines œuvres devant lesquels elles passent beaucoup de temps mais ignorent le reste de l’exposition. Enfin, les papillons observent presque toute la collection mais accordent des durées très variées à chaque objet. Cette classification est validée par les travaux de Zancanaro et al. (2007), qui utilisent un algorithme de partitionnement non supervisé sur les trajectoires des visiteurs d’un musée. Ainsi, à partir des mouvements du visiteur dans le musée, il serait donc possible d’estimer son intérêt pour les expôts de la collection. Le système de Lykourentzou et al. (2013) combine plusieurs attributs dans leur modélisation du visiteur et notamment ces profils de visite pour lesquels ils proposent une fonction indiquant le temps passé par le visiteur devant chaque expôt en fonction de l’intérêt qui lui est donné par une distribution de probabilités à partir des préférences de l’utilisateur. Le style de visite et les préférences de l’utilisateur sont obtenus en plusieurs étapes (Naudet et al. 2013), notamment à l’aide d’un jeu en ligne permettant d’associer l’utilisateur à un style visite et un questionnaire pour identifier ses préférences vis à vis du contenu culturel. Les résultats montrent une amélioration de l’expérience de visite en simulations, mais les travaux sur la détermination du style de visite sont encore à un stade expérimental et l’ensemble du système (construction du profil et recommandation) n’a pas encore été évalué. De plus, la quantité de données nécessaires pour mettre en place ce système de recommandation est importante puisqu’il requiert pour chaque expôt, sa position précise dans la salle d’exposition, ainsi que le nombre de visiteurs pouvant l’observer en même temps. Les outils présentés ici utilisent tous les préférences des visiteurs pour leur fournir des recommandations en adéquation avec leurs attentes ou leur style de visite. L’utilisation des mouvements des visiteurs pour en déduire la suite de leur visite est une piste intéressante, car elle permet de réduire la phase d’initialisation du profil en soumettant un questionnaire moins important mais toujours présent. Il est intéressant de constater que les premiers systèmes dans le domaine (Stock 1993; Oberlander et al. 1998) se basaient sur le traitement automatique de la langue naturelle écrite pour produire des pages Web personnalisées. Les descriptifs des expôts ne sont aujourd’hui plus utilisés pour la recommandation personnalisée, mais nous pensons que leur analyse permettrait de résoudre le problème du démarrage à froid pour les visites de musées.
Le tourisme urbain et ses spécificités
L’ouvrage de Gunn et al. (2002) décrit le tourisme comme un système complexe constitué des groupes suivants : (i) les attractions; (ii) les services et installations; (iii) le transport; (iv) les informations et l’orientation; (v) les touristes eux-mêmes. Les attractions constituent le composant le plus important de l’offre touristique ayant pour but de satisfaire le touriste, que ses motivations soient la découverte d’une nouvelle culture, le repos ou l’amusement. Les services et les installations fournissent l’accès à l’hébergement, à la restauration et aux boutiques de souvenirs et sont souvent associés aux attractions dans d’autres modèles. Le transport, bien qu’il soit un service, est défini séparément de par son importance et la complexité à considérer la multimodalité qui est nécessaire pour s’adapter aux différents trajets durant le séjour. Les informations et l’orientation permettent de guider et d’influencer (au moyen de promotions par exemple) le touriste durant son voyage. Enfin, les touristes sont au centre de ce système et se différencient par de nombreux traits, tels leurs centres d’intérêts ou leur culture. Cette définition du tourisme met en avant la complexité et la diversité des éléments qu’un système de recommandation peut être amené à prendre en compte pour conseiller un utilisateur. Nénamoins, cette description est généraliste et se concentre sur des aspects fonctionnels où le touriste n’est pas mis en avant par rapport aux autres éléments. Or, les recommandations s’adressent aux futurs touristes et, par conséquent, il est important de se centrer sur leurs pratiques. Du point de vue du visiteur, nous pouvons reprendre la définition du tourisme de l’ouvrage « Compte satellite du tourisme : recommandations concernant le cadre conceptuel 2008 », qui est la suivante : « Le tourisme comprend les activités déployées par les personnes au cours de leurs voyages et de leurs séjours dans les lieux situés en dehors de leur environnement habituel pour une période consécutive qui ne dépasse pas une année, à des fins de loisirs, pour affaires et autres motifs non liés à l’exercice d’une activité rémunérée dans le lieu visité. » (Compte satellite du tourisme – 2017) C’est cette notion d’activité de loisir durant un voyage qui nous intéresse principalement pour établir notre stratégie de recommandation. La littérature développée par la suite se concentre donc sur ces aspects des habitudes touristiques en ville.
La marche en ville et l’évaluation du potentiel piétonnier
La marche en ville est donc un aspect important du tourisme urbain, d’une part parce qu’elle est considérée comme une activité touristique à part entière, mais aussi car elle représente l’essentiel des déplacements du visiteur. Or, des travaux initiés par Speck (2013) autour de la convivialité d’un endroit pour la marche à pied (ou walkability) ont initié un nouveau domaine de recherche dont les nombreux travaux montrent la complexité de la tâche de prédiction d’un itinéraire précis à travers une ville. L’étude deGorrini et al. (2018) explore cette notion de « marchabilité » dans le contexte du tourisme en ville et considère que le comportement des touristes à pied est principalement influencé par leur exploration de l’environnement urbain. Ils proposent de regrouper les critères d’évaluation du potentiel piétonnier dans les catégories suivantes : (i) l’utilité; (ii) le confort; (iii) la sécurité; (iv) l’attrait et (v) la lisibilité. L’utilité traduit la diversité des bâtiments et services à proximité. Le confort correspond à la qualité de la zone dans laquelle les piétons circulent (présence de bancs, largeur des trottoirs, etc.). La sécurité permet au piéton d’être confiant dans sa progression et des aspects comme la présence d’éclairage, de passages cloutés et l’absence d’obstacle sont des critères mis en avant. L’attractivité est liée à la présence de points d’intérêt pour le touriste et la qualité architecturale du paysage (espaces verts, places, etc.). Enfin, la lisibilité donne au visiteur la possibilité de s’orienter dans l’espace. La mesure de ce potentiel piétonnier peut être effectuée par l’observation de terrain, au moyen de questionnaires ou par analyse du déplacement des visiteurs.Gorrini et al. (2018) note aussi l’existence d’outils collaboratifs ou commerciaux fournissant ces informations. Cependant, bien que des mesures du potentiel piétonnier existent, prédire l’itinéraire qu’un touriste empruntera pour se rendre d’un lieu à l’autre (par exemple de son hébergement à une attraction) est un sujet complexe qui dépend de l’objectif du touriste, ainsi que des possibles éléments qui se trouveront sur son trajet (qui pourraient l’inciter à choisir un restaurant plutôt qu’un autre, ou lui donner l’envie de s’asseoir dans un parc…). Le tourisme urbain est donc marqué par la découverte du patrimoine culturel, notamment au moyen de la marche, qui constitue à la fois le moyen de transport le plus courant, mais aussi l’activité privilégiée des touristes. Toutefois, planifier l’itinéraire que suivra le visiteur reste une question ouverte qui nécessite de prendre en compte de nombreux paramètres.
|
Table des matières
1 Introduction générale
1.1 Contexte et motivations
1.1.1 L’abondance et le paradoxe du choix
1.2 Problématiques
1.2.1 Les visites muséales
1.2.2 Le tourisme urbain
1.3 Approches proposées
1.3.1 Visite de musée d’art
1.3.2 Parcours touristiques en ville
1.3.3 Positionnements philosophiques et méthodologiques
1.4 Organisation du manuscrit
I Positionnement scientifique
2 La recommandation personnalisée
2.1 Définitions et objectifs
2.1.1 Fonctionnalités
2.1.2 Typologie des données
2.2 Techniques de recommandation
2.2.1 Formulations du problème de recommandation
2.2.2 Approches par filtrage collaboratif
2.2.3 Approches basées sur le contenu
2.2.4 Approches basées sur les connaissances
2.3 Conclusion
3 L’élaboration de visites culturelles
3.1 Introduction
3.2 La recommandation de visites muséales
3.2.1 La nécessité d’une orientation pendant la visite
3.2.2 Systèmes d’aide pour les visites de musées
3.3 Le tourisme et les parcours en ville
3.3.1 Le tourisme urbain et ses spécificités
3.3.2 Le séjour touristique comme un parcours géographique
3.3.3 La loi de l’apogée-fin
3.4 La recommandation de parcours touristiques
3.4.1 Les systèmes de recommandation touristique
3.4.2 L’optimisation de voyages touristiques
3.5 Conclusion
II Méthodes d’aide à la visite culturelle au musée
4 L’analyse de la médiation muséale pour la personnalisation de visites
4.1 Introduction
4.2 Principes pour l’estimation de l’intérêt des œuvres
4.2.1 Processus d’évaluation
4.3 Adéquation avec des préférences personnelles
4.3.1 Représentation du musée
4.3.2 Prédiction de l’intérêt pour le visiteur
4.4 Mesure indépendante du prestige des expôts
4.4.1 Classement des œuvres et analyse textuelle
4.4.2 Adaptation du résumé automatique de texte pour mesure le prestige des expôts
4.5 Expériences et résultats
4.5.1 Musées étudiés
4.5.2 Système de résumé automatique de texte
4.5.3 Application
4.6 Conclusion
5 La recommandation de visites muséales
5.1 Introduction
5.2 Méthodologie de recommandation
5.2.1 Objectif du système
5.2.2 Fonctionnement et composants clés
5.2.3 Estimation de l’intérêt des œuvres
5.2.4 Le musée comme donnée géographique
5.3 Formalisation du problème
5.3.1 Topologie d’un musée
5.3.2 Le problème de la recommandation de visite personnalisée au musée
5.3.3 Parcours de visite
5.4 Génération de parcours de visite satisfaisant
5.4.1 Modèle de programmation linéaire
5.4.2 Heuristique gloutonne
5.5 Expériences et résultats
5.5.1 Configurations des simulations
5.5.2 Temps d’exécution
5.5.3 Pertinence des parcours
5.6 Conclusion
III La ville, un musée à ciel ouvert
6 Étude sur la qualité d’expérience des visites culturelles
6.1 Introduction
6.2 La planification de parcours touristiques personnalisés
6.2.1 Le problème de conception de visites touristiques
6.2.2 Étude sur les habitudes touristiques
6.3 Évaluer la Qualité d’Expérience
6.3.1 Formulation générale
6.3.2 L’intérêt culturel
6.3.3 La cadence de visite
6.4 Étude de cas
6.5 Conclusion
7 Le problème de la recommandation de visite personnalisée en ville
7.1 Introduction
7.2 La loi de l’apogée-fin dans la recommandation de parcours touristiques personnalisés
7.2.1 Définition du problème
7.2.2 Vision adoptée pour l’élaboration du parcours
7.3 Formalisation du problème
7.3.1 L’offre culturelle en tant que donnée géographique et temporelle
7.3.2 Proposition d’une modélisation mathématique
7.3.3 Flexibilité du système de contraintes
7.4 Représentation sous forme de graphe
7.4.1 Définition et construction
7.4.2 Propriétés et relation avec les parcours
7.5 Conclusion
8 Un système de recommandation pour la génération de parcours touristiques
8.1 Introduction
8.2 Architecture et fonctionnement
8.3 Estimation de l’attrait des activités
8.3.1 Intérêt culturel
8.3.2 Cadence de visite
8.3.3 Intégration des mesures
8.4 Construction du parcours proposé au visiteur
8.4.1 Critères d’optimisation
8.4.2 Modélisation par recherche de chemin
8.5 Expériences et résultats
8.5.1 Mesures de l’attrait des activités
8.5.2 Scénarios et paramètres
8.5.3 Complexité en temps et en espace
8.5.4 L’influence des actogrammes sur les recommandations quotidiennes
8.5.5 L’effet apogée-fin sur des séjours d’une semaine
8.6 Conclusion
9 Conclusion et perspectives
9.1 Conclusion
9.1.1 Visites au musée
9.1.2 Parcours en ville
9.2 Perspectives
9.2.1 Élargissement du cadre méthodologique
9.2.2 Visite cohérente au musée
9.2.3 Évaluation des critères en ville
Annexes
Télécharger le rapport complet
