Ph.D. Defense: Kamal M. Benramdane – December 11, 2025

Kamal Benramdane, Ph.D. student in the ISID Team, is planned to defend his Ph.D. thesis on December 11, 2025, at 2:00 p.m, in the “Boris Vian” Thesis Room (37.2.43) at CNAM, 2 rue Conté, 75003 Paris, France.

Thesis Title: ICE-DBE: Intent- and Context-based Entity Recommendation within Digital Business Ecosystems

Thesis Title (French): ICE-DBE: Recommandation d’entités basée sur les intentions et le contexte au sein des écosystèmes d’affaires numériques 

Abstract:

L’émergence des écosystèmes numériques d’affaires (de l’anglais, DBEs (Digital Business Ecosystems)) a profondément transformé la manière dont des entités hétérogènes telles que les organisations, les utilisateurs, les services, les communautés et les plateformes interagissent au sein d’environnements numériques interconnectés. Ces écosystèmes favorisent la collaboration et la co-création de valeur, mais posent également des défis en matière de recommandation pertinente, adaptative et personnalisée. Une recommandation efficace dans les DBEs nécessite la capacité d’interpréter des données hétérogènes, de modéliser les facteurs contextuels, de comprendre les intentions et les comportements des utilisateurs, et de s’adapter à l’évolution des interactions. 

Malgré l’intérêt croissant pour les mécanismes de recommandation, les approches existantes dans les DBEs demeurent fragmentées et limitées. Elles négligent souvent la variabilité contextuelle, échouent à modéliser les intentions des utilisateurs, et exploitent peu les données comportementales telles que les journaux d’événements ou les traces d’interaction. De plus, la plupart des systèmes reposent sur des techniques statiques ou isolées et manquent de capacités d’apprentissage automatique permettant une amélioration continue dans le temps. En conséquence, les méthodes de recommandation actuelles peinent à fournir des recommandations pertinentes, personnalisées et évolutives à travers des domaines hétérogènes. 

Pour répondre à ces lacunes, cette thèse propose l’approche ICE-DBE (Intent- and Context- based Entity Recommendation within Digital Business Ecosystems), une méthode complète et modulaire pour la recommandation intelligente au sein des DBEs. La recherche débute par une revue systématique de la littérature (de l’anglais SLR (Systematic Literature Review)) afin de cartographier les méthodes existantes et d’identifier les problèmes ouverts. À partir de ces constats, nous proposons une approche combinant des méthodes complémentaires intégrant les contextuelle et intentionnelle, l’apprentissage automatique, l’expérience utilisateur (de l’anglais User eXperience) et la personnalisation basée sur le comportement. L’apprentissage non supervisé est utilisé pour la découverte de profils utilisateurs à partir de journaux d’événements, tandis que l’apprentissage supervisé et par renforcement soutient les recommandations adaptatives. Une chaîne hybride de recommandation est conçue, allant du filtrage fondé sur des règles jusqu’à des modèles avancés d’apprentissage automatique et par renforcement. Afin d’assurer l’adaptabilité entre différents domaines, un guide méthodologique est développé pour orienter la sélection et la composition des techniques appropriées selon les caractéristiques des données et du système. L’approche proposée est validée à travers des jeux de données et des scénarios réels dans des écosystèmes organisationnels et métavers, démontrant des améliorations en matière de personnalisation, de qualité de recommandation et d’adaptabilité du système.

Kamal’s publications: