Formulaire de renseignements du mémoire de fin d’études
ID: 51
IDENTIFICATION DES INTERVENANTS
Titre du mémoire SCIREC (Scientific Conference and Journal Recommendation Engine)
Spécialités Intelligence artificielle et data science
Stagiaires
Affiliation du Organisme: Ecole supérieure en Sciences et Technologies de l'Informatique et du
promoteur Numérique
Adresse: Amizour Bejaia, Algérie
Nom et Prénom: AZOUAOU Faical
Tel: 0561270101, Email:
[email protected]Co-encadrants AZOUAOU Faical
DESCRIPTION DU PROJET DE FIN D'ETUDES
Résumé La publication scientifique est un processus crucial mais souvent complexe pour les chercheurs. La
prolifération des conférences et des revues, chacune avec ses propres critères, délais et facteurs
d'impact, rend la sélection du meilleur lieu de publication particulièrement ardue. Cette difficulté
peut conduire à une sous-optimisation des efforts de recherche, avec des travaux de qualité qui ne
trouvent pas leur audience optimale ou des opportunités de publication manquées. De plus, le temps
consacré à la recherche du bon support de publication est du temps non consacré à la recherche elle-
même. SCIREC vise à résoudre ce problème en automatisant et en optimisant le processus de
sélection des conférences et des revues, permettant ainsi aux chercheurs de se concentrer sur leur
travail scientifique tout en maximisant l'impact et la visibilité de leurs publications.
SCIREC est un système de recommandation intelligent conçu pour assister les chercheurs dans la
sélection des conférences et des revues les plus appropriées pour leurs publications scientifiques. En
utilisant des techniques avancées de traitement du langage naturel (NLP) et d'apprentissage
automatique, SCIREC analyse le résumé d'un travail de recherche et le compare à une base de
données exhaustive de conférences et de revues scientifiques. Le système prend en compte
multiples critères tels que la pertinence thématique, les délais de soumission, les durées de réponse,
les facteurs d'impact et l'indexation pour fournir des recommandations personnalisées et précises.
Mots clés recommendation, conférence, nlp, journal scientifique, chercheur, moteur de recherche
Objectifs 1 Développer un algorithme de NLP pour l'analyse sémantique des résumés scientifiques avec une
bonne précision
2 Concevoir un système de scraping et d'agrégation de données pour maintenir une base de données
à jour des conférences et revues scientifiques.
3 Implémenter un moteur de recommandation utilisant des techniques de machine learning avec un
taux de pertinence des suggestions > 85%.
4 Créer une interface utilisateur intuitive avec un temps de réponse < 2s pour les recommandations.
5 Intégrer un système de feedback et d'apprentissage continu pour améliorer la précision des
recommandations au fil du temps.
Résultats 1 Modèle NLP entraîné pour l'analyse des résumés scientifiques
attendus 2 Base de données dynamique des conférences et revues avec API de mise à jour automatique
3 Algorithme de recommandation avec documentation des métriques de performance
4 Interface web responsive pour la soumission des résumés et l'affichage des recommandations
5 Dashboard d'administration pour le suivi des performances et l'ajustement des paramètres
Antécédents
du travail
demandé
Bibliographie Ko, Hyeyoung, et al. "A survey of recommendation systems: recommendation models, techniques,
and application fields." Electronics 11.1 (2022): 141.
Sardar, A., Ferzund, J., Suryani, M. A., & Shoaib, M. (2017). Recommender system for journal articles
using opinion mining and semantics. International Journal of Advanced Computer Science and
Applications, 8(12).
Kang, Ning, Marius A. Doornenbal, and Robert JA Schijvenaars. "Elsevier journal finder:
recommending journals for your paper." In Proceedings of the 9th ACM Conference on Recommender
Systems, pp. 261-264. 2015.
Echéancier 1M: Analyse des besoins et conception de l'architecture du système
2M: Développement du modèle NLP et du système de scraping de données
3M: Implémentation de l'algorithme de recommandation et construction de la base de données
4M: Développement de l'interface utilisateur et intégration backend/frontend
5M: Phase de test, optimisation des performances et ajustements basés sur le feedback
6M: Finalisation du rapport , préparation au déploiement et présentation du projet
Chaque phase inclut des réunions hebdomadaires de suivi, des revues de code et des tests
d'intégration continue pour assurer la qualité et le respect des délais du projet.
Moyens A la charge de l'école
informatiques
Projet de None
recherche
ID: 51
