FR3127607A1 - Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences - Google Patents

Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences Download PDF

Info

Publication number
FR3127607A1
FR3127607A1 FR2110169A FR2110169A FR3127607A1 FR 3127607 A1 FR3127607 A1 FR 3127607A1 FR 2110169 A FR2110169 A FR 2110169A FR 2110169 A FR2110169 A FR 2110169A FR 3127607 A1 FR3127607 A1 FR 3127607A1
Authority
FR
France
Prior art keywords
experience
user
tone
story
users
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
FR2110169A
Other languages
English (en)
Inventor
Sébastien TAUPIN
Jean-Marc Mousset
Sylvain Allano
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taoci Experiences Sas
Original Assignee
Taoci Experiences Sas
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taoci Experiences Sas filed Critical Taoci Experiences Sas
Priority to FR2110169A priority Critical patent/FR3127607A1/fr
Priority to PCT/FR2022/051816 priority patent/WO2023047071A1/fr
Publication of FR3127607A1 publication Critical patent/FR3127607A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Abstract

« Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences » Procédé mis en œuvre par ordinateur pour traiter un contenu numérique exprimant un récit d’une expérience vécue et/ou imaginée par un utilisateur, comprenant les étapes suivantes : capturer au moins un contenu numérique exprimant un récit d’une expérience vécue et/ou imaginée par ledit utilisateur,traiter ledit contenu numérique de récit d’expérience, en le segmentant en n segments de récit présentant chacun une tonalité homogène,construire un graphe associé à ladite expérience, par concaténation de représentations graphiques correspondant chacune à un desdits n segments de récit,comparer ledit graphe d’expérience par rapport à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience. Voir Figure 1

Description

Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences
DOMAINE DE L’INVENTION
La présente invention concerne un procédé pour traiter un contenu numérique exprimant un récit d’une expérience vécue et/ou imaginée par un utilisateur. Elle vise également des applications de procédé de traitement pour la recommandation de contenus ou d’expérience ainsi que pour la mise en relation de plusieurs utilisateurs.
ETAT DE LA TECHNIQUE
Dans toutes les stratégies marketing se pose la nécessité pour les marques de segmenter leurs clients, afin de mieux communiquer avec eux, adapter l’offre produit et expérientielle à leurs besoins, leur recommander du contenu, les cibler avec des publicités et/ou affiner les modèles d’intelligence artificielle pour mieux prédire des données commerciales ou métiers.
La plupart des méthodes traditionnelles consistent à segmenter les clients suivant des données géographiques, démographiques, socio-culturelles, comportementales, et/ou des habitudes clients et actes d’achats. Des données numériques comme l’historique des sites web consultés, l’historique des films et séries visionnés, les pages ou articles likés, les intérêts des clients, et/ou les informations sur leur profil - comme les anniversaires - peuvent également aider à cibler l’audience.
Toutefois avec la popularisation des réseaux sociaux et de la culture du feedback omniprésente, nombre de commentaires clients, avis de consommateurs et récits sont publiés tous les jours sur Internet et/ou partagés directement avec les marques. La plupart du temps ces commentaires sont écrits par des utilisateurs soucieux de partager leurs expériences vécues. Ces commentaires peuvent prendre la forme d’écrits, d’écrits composés d’émoji ou d’autres formes figuratives représentant leurs émotions mais également de courtes vidéos et images partagées. Ils sont le plus souvent associés à une note de l’expérience, par exemple sous la forme d’étoiles. Nous partons ici du principe qu’une expérience partagée par la voix peut être retranscrite en texte facilement via des STT (speech-to-text).
Dès lors, de nouvelles méthodes de segmentation clients basées sur des commentaires ont été proposées.
Tout d’abord, la méthode la plus commune utilise la note attribuée aux expériences : par exemple, on créé un premier cluster de personnes qui ont mis 5/5, puis un deuxième cluster de personnes qui ont mis 4/5, puis 3/5, 2/5 et 1/5.
La deuxième méthode utilise le NPS (Net Promoter Score). Les clients sont invités à noter leurs expériences selon une échelle de 0 à 10 (ou 1 à 10). Les personnes qui attribuent une note inférieure ou égale à 6 sont appelées « Detractors », ceux qui attribuent 7 ou 8 sont appelés les « Passives », tandis que ceux qui donnent 9 ou 10 sont les « Promoters ». Le NPS se calcule par : % Promoters - % Detractors x 100. On regroupe donc les personnes en 3 catégories : les Promoters, Passives et Detractors. A noter que le Customer Effort Score (CES) est un indicateur de l'expérience client inspiré par le principe du NPS et promu au sein de la Harvard Business Review en 2010[1].
Le CES obéit à une logique différente de celui du NPS car il ne mesure pas directement une satisfaction, mais une estimation globale de l'effort fourni par le client.
La troisième méthode consiste à utiliser l’analyse de sentiments et s’intéresse cette fois au contenu écrit par les clients (en anglais : sentiment analysis). Par exemple, les personnes qui ont un avis plutôt positif (valeur entre 0 exclus et 1 du sentiment analysis) seront regroupées ensemble. De la même manière pour ceux qui ont eu un sentiment plutôt négatif (valeur entre -1 et 0 exclus). Les valeurs autour de 0 peuvent être associées à des personnes qui ont un avis neutre. A noter que de nombreux algorithmes existent pour attribuer un « sentiment score » (« pour note de sentiment ») à des commentaires écrits et qu’ils peuvent aussi qualifier un sentiment positif : par exemple si un client écrit « délicieux » le sentiment score sera autour de 0.8 (proche de 1) alors que « correct » sera autour de 0.2.
Toutefois force est de constater que la plupart des méthodes précédemment citées s’intéressent au résultat de l’expérience (la note attribuée avec des étoiles, les NPS / CES) ou à leur sentiment global (positif, négatif, neutre) mais pas au contenu réel et au récit de ces personnes. Par conséquent la segmentation n’en est que peu précise et difficilement représentative.
Ce système se base non pas sur la note globale donnée par les clients mais sur ce qu’ils ont raconté.
Le document US9762733B1 divulgue un système pour recommander un support de communication pour interagir avec un client d'un centre de contact, ce système comprenant: un processeur; et une mémoire, dans laquelle la mémoire contient des instructions qui, lorsqu'elles sont exécutées par le processeur, amènent le processeur à: détecter une première interaction via un premier support avec le client; identifier une pluralité de supports de communication sur la base de contraintes pour déterminer un ou plusieurs supports de communication candidats qui sont différents du premier support pour une seconde interaction avec le client; pour chaque support de communication des supports de communication candidats, estimer une valeur attendue à obtenir en utilisant le support de communication pour la seconde interaction; et sélectionner un support de communication particulier des supports de communication candidats sur la base des estimations pour établir la seconde interaction via le support de communication sélectionné.
Aujourd'hui la recommandation d'utilisateurs se fait par des graphes relationnels. On recommande les utilisateurs qui sont le plus proches de nous socialement parlant, ou qui ont des amis en commun, qui sont dans les mêmes groupes, dans le même cercle de relations autour de nous, etc. Facebook par exemple utilise des « social graphs » pour recommander des utilisateurs.
On recommande également des utilisateurs parce qu’ils ont aimé notre profil et nous aussi en retour, ou parce que nous avons des affinités en commun, parce qu’ils sont les plus désirables ou les plus « désidérables » (score Elo), les plus actifs, ou les plus populaires (exemple Tinder).
Également parce qu’ils correspondent à nos préférences, à nos intérêts, à notre catégorie sociale, ou simplement parce qu’ils sont les plus proches géographiquement.
Une combinaison de ces critères peut aussi être utilisée. Toutefois force est de constater qu’on ne peut limiter l’humain et les relations sociales à ce type de critères.
La vie étant une suite d’expériences, chaque être humain est façonné par les expériences qu’il vit, par les histoires qu’il vit, peu importe la teneur de ces expériences, ainsi que par les expériences qu’il souhaite vivre dans un futur proche.
Le but de l’invention est de proposer un nouveau concept de traitement d’un contenu numérique exprimant un récit d’expérience vécue et/ou imaginée par un utilisateur, qui dépasse les limitations et inconvénients des procédés de traitement de l’art antérieur. Un autre objectif de l’invention est de proposer des applications du traitement de contenu numérique exprimant un récit d’expériences permettant de proposer des outils de recommandation de contenus ou de mise en relation d’utilisateurs.
DEFINITIONS
Contenu numérique : tout type de fichier numérique, qu’il soit audio, textuel ou visuel
Récit d’une expérience : restitution séquentielle sous forme narrative d’une expérience
NLPNatural Language Processingou TALN (Traitement Automatique du Langage Naturel)
Tonalité : la technique connue dite d’analyse des sentiments (sentiment analysis) permet de déterminer la tonalité d’un texte afin de constater s’il évoque un sentiment positif, négatif ou neutre
Graphe : un ensemble de sommets reliés par un ensemble d’arcs ou d'arêtes
Archétype : Type idéal servant de modèle. Il peut également représenter un symbole sous quelque forme que ce soit, pouvant apparaître dans différentes cultures.
Note de sentiment : pour « Sentiment Score » : une note de sentiment peut être calculée par des algorithmes qui évaluent la tonalité d’une transcription sur un spectre allant du positif au négatif. La note (ou score) peut par exemple être calculé comme le rapport des déclarations positives et négatives de l'ensemble de l'appel, sur un score de -1 à +1, zéro étant neutre.
Dictionnaire des émotions : compilation de mots, de représentations graphiques et d’icônes (tels que des emojis) utilisés pour exprimer des sentiments et des émotions, par exemple sous la forme d’une base de données.
Cet objectif est atteint avec un procédé mis en œuvre par ordinateur pour traiter un contenu numérique exprimant un récit d’une expérience vécue ou imaginée par un utilisateur, comprenant les étapes suivantes :
  1. capturer au moins un contenu numérique exprimant un récit d’une expérience vécue et/ou imaginée par ledit utilisateur,
  2. traiter ledit contenu numérique exprimant ledit récit d’expérience, en le segmentant en n segments de récit présentant chacun une tonalité homogène,
  3. construire un graphe associé à ladite expérience, par concaténation de représentations graphiques correspondant chacune à un desdits n segments de récit,
  4. comparer ledit graphe d’expérience par rapport à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience.
On entend ici par contenu numérique tout type de fichier numérique, qu’il soit audio, textuel ou visuel, exprimant un récit d’expérience.
Dans le procédé selon l’invention, on traite et on segmente le récit d’expérience en n segments de récit présentant chacun une tonalité homogène. Ensuite, on attribue à chaque type de tonalités une représentation graphique, par exemple :
  • Les tonalités positives seront associées à des portions de courbe à pente positive
  • Les tonalités négatives seront associées à des portions de courbe à pente négative
Toutefois, la présente invention ne se limite pas à ce type de représentation graphique :
On peut également considérer des représentations graphiques utilisant des formes géométriques simples comme les carrés, cercles et triangles, par exemple :
  • Les tonalités positives seront associées à des carrés □ (par convention)
  • Les tonalités négatives seront associées à des triangles △
Un récit d’expérience à tonalité (+ / -) deviendra donc : □ △, alors qu’un récit à tonalité (+ / - / -) sera transformé en la suite de formes suivantes : □ △ △
Ces représentations graphiques peuvent également utiliser des formes géométriques complexes, comme des structures en 2D, 3D ou 4D.
Enfin, l’utilisation d’icônes, symboles, gif et emoji est également possible.
L’étape de traitement du contenu numérique exprimant un récit comprend de préférence une étape pour attribuer à chaque segment une tonalité par une intelligence artificielle préalablement entrainée sur un corpus de segments étiquetés.
L’étape de traitement du contenu numérique exprimant le récit peut avantageusement comprendre une étape pour détecter dans ledit contenu de récit une ou plusieurs ruptures de tonalité, chaque rupture de tonalité initiant un nouvelle représentation graphique différente de celle de la représentation graphique précédente.
L’étape de détection de ruptures de tonalité peut de préférence mettre en œuvre une intelligence artificielle.
Les tonalités attribuées aux segments de récit comprennent par exemple une tonalité positive et une tonalité négative.
Lorsque les représentations graphiques utilisent des portions de courbe, l’étape de construction de graphe peut alors en outre comprendre une étape pour attribuer une première pente prédéterminée à toute représentation graphique correspondant à un segment ou une suite de segments présentant une tonalité positive et une seconde pente prédéterminée à toute portion de courbe correspondant à un segment ou une suite de segments présentant une tonalité négative.
Les tonalités attribuées aux segments de récit peuvent en outre comprendre une tonalité neutre.
L’étape de construction de graphe peut en outre comprendre une étape pour attribuer une pente sensiblement nulle à toute portion de courbe correspondant à un segment ou une suite de segments présentant une tonalité neutre.
L’étape de traitement d’un contenu numérique de récit d’expérience d’un utilisateur peut en outre être configurée pour déterminer dans ledit récit un ou plusieurs adjuvants et un ou plusieurs opposants selon un schéma actantiel.
Dans un premier mode de réalisation de l’invention, un ou plusieurs opposants et/ou un ou plusieurs adjuvants peuvent être déterminés par une intelligence artificielle appliquée sur les segments du récit d’expérience.
Dans un second mode de réalisation de l’invention, un ou plusieurs opposants et/ou un ou plusieurs adjuvants peuvent être déterminés par un outil de traitement en langage naturel (« Natural Language Processing ») ou NLP).
Dans un troisième mode de réalisation de l’invention, un ou plusieurs opposants et/ou un ou plusieurs adjuvants sont déterminés respectivement par identification dans le récit d’expérience d’une ou plusieurs émotions négatives et/ou d’une ou plusieurs émotions positives.
Le procédé de traitement selon l’invention peut en outre comprendre une étape pour déterminer, pour un récit d’expérience d’un utilisateur, un ratio du nombre d’adjuvants sur la somme du nombre d’adjuvants et du nombre d’opposants.
Lorsque le procédé de traitement selon l’invention est appliqué à une expérience pour laquelle l’utilisateur a émis un récit d’expérience et une note d’expérience, il comprend en outre une étape pour positionner graphiquement ladite expérience sur une matrice présentant en ordonnée une mesure de note d’expérience et en abscisse une mesure du ration du nombre d’adjuvants sur la somme du nombre d’adjuvants et du nombre d’opposants.
Lorsque le procédé de traitement selon l’invention est appliqué à une pluralité d’expériences pour chacune desquelles l’utilisateur a émis un récit d’expérience et une note d’expérience, caractérisé en ce que lesdites expériences sont positionnées graphiquement sur la même matrice.
Lorsque le procédé de traitement selon l’invention est appliqué à une pluralité d’utilisateurs ayant vécu chacun une plusieurs expériences, lesdites expériences sont positionnées graphiquement sur la même matrice.
Suivant un autre aspect de l’invention, il est proposé une application du procédé de traitement selon l’invention, pour la recommandation de contenu à un utilisateur, comprenant les étapes suivantes :
  1. capturer au moins un contenu numérique exprimant un récit d’une expérience vécue et/ou imaginée par ledit utilisateur,
  2. traiter ledit contenu de récit d’expérience, en le segmentant en n segments de récit présentant chacun une tonalité homogène,
  3. construire un graphe associé à ladite expérience, par concaténation de représentations graphiques correspondant chacune à un desdits n segments de récit,
  4. comparer ledit graphe d’expérience par rapport à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience,
  5. extraire d’une ou plusieurs bases de données, au moins un contenu correspondant audit archétype ainsi identifié,
  6. transmettre audit utilisateur une information de recommandation dudit au moins un contenu ainsi extrait.
Le procédé de traitement selon l’invention peut en outre comprendre une étape pour traiter une pluralité de graphes d’expérience déjà construits pour un même utilisateur, ladite étape de traitement comprenant :
  • pour chaque graphe élémentaire, une détermination du nombre desdits graphes d’expérience qui sont identiques audit graphe élémentaire,
  • une détermination des ratios respectifs de graphes élémentaires dans ladite pluralité de graphes d’expérience,
  • un classement dudit utilisateur dans un groupe d’utilisateurs présentant sensiblement les mêmes ratios de graphes élémentaires,
l’étape de recommandation étant configurée pour recommander un même contenu aux utilisateurs appartenant audit groupe d’utilisateurs.
Pour une application dans laquelle le contenu recommandé comprend un contenu de recommandation d’une expérience vécue et/ou imaginée par un premier utilisateur, l’étape de recommandation est configurée pour transmettre ledit contenu de recommandation d’expérience à au moins un autre utilisateur partageant au moins un archétype avec ledit premier utilisateur.
Suivant encore un autre aspect de l’invention, il est proposé une application du procédé de traitement selon l’invention, pour recommander une mise en relation entre des utilisateurs, comprenant les étapes suivantes :
  • capturer une pluralité de contenus numériques exprimant des récits d’expériences émis par un premier utilisateur préalablement invité à vivre et/ou imaginer une pluralité d’expériences prédéfinies parmi un ensemble d’expériences,
  • traiter chacun desdits récits d’expérience, en les segmentant chacun en n segments de récit présentant chacun une tonalité homogène,
  • construire pour chacun desdits récits d’expérience un graphe associé à ladite expérience, par concaténation de représentations graphiques correspondant chacune à un desdits n segments de récit,
  • comparer chacun desdits graphes d’expérience par rapport à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, de façon à identifier pour chaque récit d’expérience l’archétype correspondant à ladite expérience,
  • reproduire lesdites étapes précitées de capture, traitement, construction et comparaison pour un ensemble prédéterminé d’autres utilisateurs, de façon à attribuer à chacun desdits autres utilisateurs une pluralité d’archétypes correspondant à leurs récits d’expérience,
  • déterminer pour chaque autre utilisateur un taux de similarité avec ledit premier utilisateur, comme étant le rapport du nombre d’archétypes communs avec ledit premier utilisateur sur le nombre total d’archétypes identifiés à partir de la pluralité d’expériences,
  • transmettre audit premier utilisateur une information de recommandation de mise en relation avec des autres utilisateurs présentant un taux de similarité supérieur à un seuil de similarité prédéterminé.
La présente invention est basée sur le fait que des personnes qui ont vécu des histoires similaires dans le passé et/ou qui ont les mêmes aspirations pour le futur ont plus de chances de s’apprécier, de partager des intérêts communs et de nouer des liens affectifs. La manière dont ces personnes vont raconter leurs histoires importe autant que le contenu et le résultat de leurs expériences, et permet de regrouper les personnes ensemble au sein d’archétypes communs.
Il s’agit ainsi de proposer de manière rapide et fiable des utilisateurs pertinents à chacun de ces individus. Ce procédé peut être utile pour des sites de rencontres et recommander des profils de personnes qui ont une grande similarité expérientielle par rapport à nous. Ou également au sein de réseaux sociaux pour proposer de nouveaux « amis » (Facebook, LinkedIn), ou de plateformes communautaires pour recommander des nouveaux utilisateurs.
Dans un mode avantageux de réalisation, le graphe de chacune des expériences à l’étape e) est construit en segmentant le récit client ennsegments, une tonalité (positive, négative, neutre ; neutre étant optionnelle) étant ensuite attribuée à chacun de ces segments par une Intelligence Artificielle (IA), préalablement entraînée sur un corpus de segments étiquetés, puis en identifiant les ruptures de tonalité ((+ à –), (– à +), (+ à n à –), (– à n à +)) et en attribuant une portion de courbe avec un coefficient directeur de la droite positif lorsque la tonalité d’un segment, ou d’une suite de segments est positive, et une portion de courbe avec un coefficient directeur de la droite négatif lorsque la tonalité d’un segment, ou d’une suite de segments est négative. Nous appellerons ces graphes des « experience graphs ».
Le calcul du taux de similarité du profil de chaque utilisateur par rapport à l’utilisateur de référence à l’étape f) peut également prendre en compte la similarité et compatibilité psychologique et comportementale des utilisateurs, en comparant leurs profils psychologiques et leurs personnalités.
Le terme "utilisateur" de l’étape a) peut désigner un utilisateur composé de deux personnes ou plus interagissant avec le même objet électronique (comme par exemple mais sans s’y limiter : tablette, téléphone, montre, enceinte vocale, dispositif dans une voiture).
Cette application comprend en outre une étape pour sélectionner l’ensemble des autres utilisateurs à partir d’une base d’autres utilisateurs, sur des critères de proximité géographique avec le premier utilisateur.
Le premier utilisateur et/ou les autres utilisateurs peuvent comprendre des machines et/ou des robots et/ou autres systèmes intelligents tels que des intelligences artificielles (IA).
En particulier, on peut avantageusement prévoir une intelligence artificielle à « apprentissage non supervisé » (Unsupervised learning) capable de comprendre et déterminer la tonalité de chaque segment automatiquement sans ou avec peu d’entrainement préalable.
L’étape de transmission d’une information de recommandation de mise en relation peut comprendre une communication vocale de cette information de recommandation au premier utilisateur.
L’étape de détermination de taux de similarité peut comprendre une pondération des différentes expériences vécues et/ou imaginées par le premier utilisateur et/ou par les autres utilisateurs.
Les récits d’expérience captés auprès des autres utilisateurs sont saisis par reconnaissance vocale.
Les récits d’expérience captés auprès des autres utilisateur peuvent être extraits d’une blockchain et décryptés avant d’être traités.
On peut aussi prévoir une étape pour transmettre au premier utilisateur une information de recommandation de mise en relation avec des autres utilisateurs présentant un taux de similarité inférieur à un taux maximum prédéterminé.
L’étape de capture d’une pluralité de récits d’expériences peut en outre être réalisée sur un ensemble de premiers utilisateurs interagissant avec un même objet électronique connecté.
Le procédé de traitement selon l’invention et son application pour la recommandation de contenus utilisent pour cela une segmentation clients nouvelle qui se base sur des graphes élémentaires d’expériences. Le postulat à la base de la présente invention est que des personnes qui ont vécu des histoires similaires ont plus de chances de se comporter de la même manière et donc d’appartenir à un même groupe de clients. Dès lors, on peut leur recommander du contenu similaire.
Par « contenu », on entend tout type de communication (email, appel, sms, message vocal, notification, etc.) mais aussi tout type de contenu digital (audio, musique, podcast, vidéo, film, série, image, texte, livre, produit, expérience, publicité, évènement, lieu, etc.).
Dans un mode préféré de réalisation, le graphe de l’expérience à l’étape c) est construit en segmentant le récit client ennsegments, une tonalité (positive, négative, neutre ; neutre étant optionnelle) étant ensuite attribuée à chacun de ces segments par une Intelligence Artificielle (IA), préalablement entraînée sur un corpus de segments étiquetés, puis en identifiant les ruptures de tonalité ((+ à –), (– à +), (+ à n à –), (– à n à +)) et en attribuant une portion de courbe avec un coefficient directeur de la droite positif lorsque la tonalité d’un segment, ou d’une suite de segments est positive, et une portion de courbe avec un coefficient directeur de la droite négatif lorsque la tonalité d’un segment, ou d’une suite de segments est négative.
Dans mode particulier de mise en œuvre du procédé de traitement selon l’invention, on fait varier la longueur et/ou la pente de chaque portion de courbe en fonction des tonalités associées des n segments de récit. Les axes peuvent être normés entre 0 et 1 ou non.
Le procédé de traitement appliqué à la recommandation de contenu selon l’invention peut en outre comprendre une étape pour analyser un historique des expériences de chaque utilisateur afin d’en déduire un profil type d’utilisateur et donc d’en déduire une stratégie de communication de contenu adaptée.
L’historique des expériences peut être placé dans la matrice ci-dessous (note de l’expérience vs ratio d’adjuvants / adjuvants + opposants) afin d’en déduire une stratégie de contenu adaptée.
Le procédé de traitement selon l’invention appliqué à la recommandation de contenu peut en outre comprendre une étape pour analyser des expériences imaginées et racontées sous la forme d’écrits ou retranscrites par écrit (« Dans mes vacances idéales, je souhaiterais faire du camping, me baigner tranquillement dans la rivière mais j’éviterai de me faire attaquer par un ours »). Ici on aurait des tonalités + / - d’où un profil de type « Icarus ».
L’historique d’expériences peut en outre prendre en compte des expériences vécues et imaginées plutôt que des expériences vécues uniquement ou imaginées uniquement.
La segmentation par archétypes expérientiels de l’un des précédents procédés (temps réel, historique réel, historique réel dans matrice, expérience(s) imaginée(s)) peut être combinée à au moins une des méthodes classiques de segmentation clients (note de l’expérience, NPS / CES, analyse de sentiments, utilisation de données géographiques, démographiques, socio-culturelles, comportementales, des habitudes clients et actes d’achats, ou de données numériques comme l’historique des sites web consultés, l’historique des films et séries visionnés, les pages ou articles likés, les intérêts des clients, et/ou les informations sur leur profil - comme les anniversaires).
DESCRIPTION DES FIGURES
  • la illustre les principales étapes du procédé de traitement selon l’invention, appliqué à la recommandation de contenus ;
  • la illustre des exemples d’attribution d’archétypes pour des expériences vécues par deux utilisatrices ;
  • la représente un exemple d’une matrice d’expériences mise en œuvre dans le procédé de traitement selon l’invention ;
  • la illustre un exemple d’un graphe d’expérience analysé suivant un schéma actantiel de Greimas ;
  • la illustre un premier exemple de rupture de tonalité entre un segment de récit à tonalité positive et un segment de récit à tonalité négative ;
  • la illustre un second exemple de rupture de tonalité entre un segment de récit à tonalité négative et un segment de récit à tonalité positive ;
  • la illustre un ensemble de graphes d’expériences et d’archétypes mis en œuvre dans un exemple de mise en œuvre du procédé de traitement selon l’invention. ;
  • la illustre un exemple particulier de graphes d’expérience dans lesquels les portions de courbe présentent des longueurs variables ;
  • la illustre un lot de récits d’expérience constitué de récits d’expérience présentant tous la même suite de tonalités (+ / -) ;
  • la illustre un lot de récits d’expérience constitué de récits d’expérience présentant une suite de tonalités (- / + / -) d’intensités différentes.

Claims (27)

  1. Procédé mis en œuvre par ordinateur pour traiter un contenu numérique exprimant un récit d’une expérience vécue ou imaginée par un utilisateur, comprenant les étapes suivantes :
    1. capturer au moins un contenu numérique exprimant un récit d’une expérience vécue et/ou imaginée par ledit utilisateur,
    2. traiter ledit contenu numérique de récit d’expérience, en le segmentant en n segments de récit présentant chacun une tonalité homogène, comprenant une étape pour attribuer à chaque segment une tonalité par une intelligence artificielle préalablement entrainée sur un corpus de segments étiquetés, ladite tonalité ainsi attribuée étant positive, négative ou neutre, et une étape pour détecter dans ledit récit une ou plusieurs ruptures de tonalité, mettant en œuvre une intelligence artificielle, chaque rupture de tonalité initiant un nouvelle représentation graphique différente de celle de la portion de courbe précédente,
    1. construire un graphe associé à ladite expérience, par concaténation de représentations graphiques correspondant chacune à un desdits n segments de récit,
    2. comparer ledit graphe d’expérience par rapport à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience.
    .
  2. Procédé selon la revendication précédente, dans lequel les représentations graphiques comprennent des portions de courbe, caractérisé en ce que l’étape de construction de graphe comprend en outre une étape pour attribuer une première pente prédéterminée à toute portion de courbe correspondant à un segment ou une suite de segments présentant une tonalité positive et une seconde pente prédéterminée à toute portion de courbe correspondant à un segment ou une suite de segments présentant une tonalité négative.
  3. Procédé selon la revendication précédente, caractérisé en ce que l’étape de construction de graphe comprend en outre une étape pour attribuer une pente sensiblement nulle à toute portion de courbe correspondant à un segment ou une suite de segments présentant une tonalité neutre.
  4. Procédé selon l’une quelconque des deux revendications précédentes, caractérisé en ce que chaque portion de courbe présente une longueur et/ou une pente variable en fonction des tonalités associées des n segments de récit.
  5. Procédé selon l’une quelconque des revendications 2 à 6, caractérisé en ce que les représentations graphiques utilisent des formes géométriques simples à chacune desquelles est associée une tonalité distincte.
  6. Procédé selon l’une quelconque des revendications 2 à 6, caractérisé en ce que les représentations graphiques utilisent des formes géométriques complexes à chacune desquelles est associée une tonalité distincte.
  7. Procédé selon l’une quelconque des revendications 2 à 6, caractérisé en ce que les représentations graphiques utilisent des objets graphiques parmi des icônes, des symboles gif et des emojis.
  8. Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que l’étape de traitement d’un récit d’expérience d’un utilisateur est en outre configurée pour déterminer dans ledit récit un ou plusieurs adjuvants et un ou plusieurs opposants selon un schéma actantiel.
  9. Procédé selon la revendication précédente, caractérisé en ce qu’un ou plusieurs opposants et/ou un ou plusieurs adjuvants sont déterminés par une intelligence artificielle appliquée sur les segments du récit d’expérience.
  10. Procédé selon l’une ou l’autre des deux revendications précédentes, caractérisé en ce qu’un ou plusieurs opposants et/ou un ou plusieurs adjuvants sont déterminés par un outil de traitement en langage naturel (« Natural Language Processing ») ou NLP).
  11. Procédé selon l’une quelconque des trois revendications précédentes, caractérisé en ce qu’un ou plusieurs opposants et/ou un ou plusieurs adjuvants sont déterminés respectivement par identification dans le récit d’expérience d’une ou plusieurs émotions négatives et/ou d’une ou plusieurs émotions positives.
  12. Procédé selon l’une quelconque des quatre revendications précédentes, caractérisé en ce qu’il comprend en outre une étape pour déterminer, pour un récit d’expérience d’un utilisateur, un ratio du nombre d’adjuvants sur la somme du nombre d’adjuvants et du nombre d’opposants.
  13. Procédé selon la revendication précédente, appliqué à une expérience pour laquelle l’utilisateur a émis un récit d’expérience et une note d’expérience, caractérisé en ce qu’il comprend en outre une étape pour positionner graphiquement ladite expérience sur une matrice présentant en ordonnée une mesure de note d’expérience et en abscisse une mesure du ration du nombre d’adjuvants sur la somme du nombre d’adjuvants et du nombre d’opposants.
  14. Procédé selon la revendication précédente, appliqué à une pluralité d’expériences pour chacune desquelles l’utilisateur a émis un récit d’expérience et une note d’expérience, caractérisé en ce que lesdites expériences sont positionnées graphiquement sur la même matrice.
  15. Procédé selon la revendication précédente, appliqué à une pluralité d’utilisateurs ayant vécu chacun une plusieurs expériences, caractérisé en ce que lesdites expériences sont positionnées graphiquement sur la même matrice.
  16. Application du procédé de traitement selon l’une quelconque des revendications précédentes, pour la recommandation de contenu à un utilisateur, comprenant les étapes suivantes :
    1. capturer au moins un contenu numérique d’un récit d’une expérience vécue et/ou imaginée par ledit utilisateur,
    2. traiter ledit contenu numérique récit d’expérience, en le segmentant en n segments de récit présentant chacun une tonalité homogène, comprenant une étape pour attribuer à chaque segment une tonalité par une intelligence artificielle préalablement entrainée sur un corpus de segments étiquetés, ladite tonalité ainsi attribuée étant positive, négative ou neutre, et une étape pour détecter dans ledit récit une ou plusieurs ruptures de tonalité, mettant en œuvre une intelligence artificielle, chaque rupture de tonalité initiant un nouvelle représentation graphique différente de celle de la portion de courbe précédente,
    3. construire un graphe associé à ladite expérience, par concaténation de représentations graphiques correspondant chacune à un desdits n segments de récit,
    4. comparer ledit graphe d’expérience par rapport à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience,
    5. extraire d’une ou plusieurs bases de données, au moins un contenu correspondant audit archétype ainsi identifié,
    6. transmettre audit utilisateur une information de recommandation dudit au moins un contenu ainsi extrait.
  17. Application pour la recommandation de contenu selon la revendication précédente, caractérisée en que le procédé de traitement selon l’une quelconque des revendications 1 à 16 comprend en outre une étape pour traiter une pluralité de graphes d’expérience déjà construits pour un même utilisateur, ladite étape de traitement comprenant :
    • pour chaque graphe élémentaire, une détermination du nombre desdits graphes d’expérience qui sont identiques audit graphe élémentaire,
    • une détermination des ratios respectifs de graphes élémentaires dans ladite pluralité de graphes d’expérience,
    • un classement dudit utilisateur dans un groupe d’utilisateurs présentant sensiblement les mêmes ratios de graphes élémentaires,
    l’étape de recommandation étant configurée pour recommander un même contenu aux utilisateurs appartenant audit groupe d’utilisateurs.
  18. Application selon la revendication 21, dans laquelle le contenu recommandé comprend un contenu de recommandation d’une expérience vécue et/ou imaginée par un premier utilisateur, caractérisée en ce que l’étape de recommandation est configurée pour transmettre ledit contenu de recommandation d’expérience à au moins un autre utilisateur partageant au moins un archétype avec ledit premier utilisateur.
  19. Application du procédé de traitement selon l’une quelconque des revendications 1 à 20, pour recommander une mise en relation entre des utilisateurs, comprenant les étapes suivantes :
    • capturer une pluralité de contenus exprimant des récits d’expériences émis par un premier utilisateur préalablement invité à vivre et/ou imaginer une pluralité d’expériences prédéfinies parmi un ensemble d’expériences,
    • traiter chacun desdits contenus numérique de récits d’expérience, en les segmentant chacun en n segments de récit présentant chacun une tonalité homogène, comprenant une étape pour attribuer à chaque segment une tonalité par une intelligence artificielle préalablement entrainée sur un corpus de segments étiquetés, ladite tonalité ainsi attribuée étant positive, négative ou neutre, et une étape pour détecter dans ledit récit une ou plusieurs ruptures de tonalité, mettant en œuvre une intelligence artificielle, chaque rupture de tonalité initiant un nouvelle représentation graphique différente de celle de la portion de courbe précédente,
    • construire pour chacun desdits récits d’expérience un graphe associé à ladite expérience, par concaténation de représentations graphiques correspondant chacune à un desdits n segments de récit,
    • comparer chacun desdits graphes d’expérience par rapport à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, de façon à identifier pour chaque récit d’expérience l’archétype correspondant à ladite expérience,
    • reproduire lesdites étapes précitées de capture, traitement, construction et comparaison pour un ensemble prédéterminé d’autres utilisateurs, de façon à attribuer à chacun desdits autres utilisateurs une pluralité d’archétypes correspondant à leurs récits d’expérience,
    • déterminer pour chaque autre utilisateur un taux de similarité avec ledit premier utilisateur, comme étant le rapport du nombre d’archétypes communs avec ledit premier utilisateur sur le nombre total d’archétypes identifiés à partir de la pluralité d’expériences,
    • transmettre audit premier utilisateur une information de recommandation de mise en relation avec des autres utilisateurs présentant un taux de similarité supérieur à un seuil de similarité prédéterminé.
  20. Application selon la revendication précédente, caractérisée en ce qu’elle comprend en outre une étape pour sélectionner l’ensemble des autres utilisateurs à partir d’une base d’autres utilisateurs, sur des critères de proximité géographique avec le premier utilisateur.
  21. Application selon l’une quelconque des deux revendications précédentes, caractérisée en ce que le premier utilisateur et/ou les autres utilisateurs comprennent des machines et/ou des robots et/ou autres systèmes intelligents tels que des intelligences artificielles (IA).
  22. Application selon l’une quelconque des trois revendications précédentes, caractérisée en ce que l’étape de transmission d’une information de recommandation de mise en relation comprend une communication vocale de cette information de recommandation au premier utilisateur.
  23. Application selon l’une quelconque des quatre revendications précédentes, caractérisée en ce que l’étape de détermination de taux de similarité comprend une pondération des différentes expériences vécues et/ou imaginées par le premier utilisateur et/ou par les autres utilisateurs.
  24. Application selon l’une quelconque des cinq revendications précédentes, caractérisée en ce que les récits d’expérience captés auprès des autres utilisateurs sont saisis par reconnaissance vocale.
  25. Application selon l’une quelconque des six revendications précédentes, caractérisée en ce que les récits d’expérience captés auprès des autres utilisateur sont extraits d’une blockchain et décryptés avant d’être traités.
  26. Application selon l’une quelconque des sept revendications précédentes, caractérisée en ce qu’il comprend en outre une étape pour transmettre au premier utilisateur une information de recommandation de mise en relation avec des autres utilisateurs présentant un taux de similarité inférieur à un taux maximum prédéterminé.
  27. Application selon l’une quelconque des huit revendications précédentes, caractérisée en ce que l’étape de capture d’une pluralité de récits d’expériences est réalisé sur un ensemble de premiers utilisateurs interagissant avec un même objet électronique connecté.
FR2110169A 2021-09-27 2021-09-27 Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences Pending FR3127607A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
FR2110169A FR3127607A1 (fr) 2021-09-27 2021-09-27 Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences
PCT/FR2022/051816 WO2023047071A1 (fr) 2021-09-27 2022-09-27 Procédé de traitement d'un contenu numérique exprimant un récit d'une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d'expériences

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2110169A FR3127607A1 (fr) 2021-09-27 2021-09-27 Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences
FR2110169 2021-09-27

Publications (1)

Publication Number Publication Date
FR3127607A1 true FR3127607A1 (fr) 2023-03-31

Family

ID=80785094

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2110169A Pending FR3127607A1 (fr) 2021-09-27 2021-09-27 Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences

Country Status (2)

Country Link
FR (1) FR3127607A1 (fr)
WO (1) WO2023047071A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2973133A1 (fr) * 2011-03-22 2012-09-28 Milestone Factory Intl Procedes d’actualisation et de creation de profils d'utilisateur, de recommandation de contenu et de construction d'une liste de contenus
WO2013170344A1 (fr) * 2012-05-15 2013-11-21 Whyz Technologies Limited Procédé et système concernant l'analyse de sentiment d'un contenu électronique
WO2016025490A1 (fr) * 2014-08-11 2016-02-18 24/7 Customer, Inc. Procédés et appareils pour modéliser des expériences d'interaction de client
US9762733B1 (en) 2016-09-21 2017-09-12 Genesys Telecommunications Laboratories, Inc. System and method for recommending communication mediums based on predictive analytics
FR3086413A1 (fr) * 2018-09-20 2020-03-27 Taoci Experiences Sas Procédé et système de traitement de contenus numériques d'expériences

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2973133A1 (fr) * 2011-03-22 2012-09-28 Milestone Factory Intl Procedes d’actualisation et de creation de profils d'utilisateur, de recommandation de contenu et de construction d'une liste de contenus
WO2013170344A1 (fr) * 2012-05-15 2013-11-21 Whyz Technologies Limited Procédé et système concernant l'analyse de sentiment d'un contenu électronique
WO2016025490A1 (fr) * 2014-08-11 2016-02-18 24/7 Customer, Inc. Procédés et appareils pour modéliser des expériences d'interaction de client
US9762733B1 (en) 2016-09-21 2017-09-12 Genesys Telecommunications Laboratories, Inc. System and method for recommending communication mediums based on predictive analytics
FR3086413A1 (fr) * 2018-09-20 2020-03-27 Taoci Experiences Sas Procédé et système de traitement de contenus numériques d'expériences

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
A. J. GREIMAS: "Du sens", ESSAIS SÉMIOTIQUES, vol. 1993, 1970, pages 91
ALGIRDAS JULIEN GREIMAS: "Sémantique structurale, recherche et méthode", 1996
CHWE, THE EMOTIONAL ARCS OF TELEVISION: NULAB PROJECT, 2019
DIXON, M.FREEMAN, K.TOMAN, N.: "Stop trying to delight your customers", HARVARD BUSINESS REVIEW, vol. 88, no. 7, 8, 2010, pages 116 - 122
GHANI USMAN ET AL: "A Fuzzy Logic Based Intelligent System for Measuring Customer Loyalty and Decision Making", SYMMETRY, vol. 10, no. 12, 17 December 2018 (2018-12-17), pages 761, XP055923278, Retrieved from the Internet <URL:https://www.researchgate.net/publication/329746478_A_Fuzzy_Logic_Based_Intelligent_System_for_Measuring_Customer_Loyalty_and_Decision_Making/fulltext/5c18f754299bf12be3884ebf/A-Fuzzy-Logic-Based-Intelligent-System-for-Measuring-Customer-Loyalty-and-Decision-Making.pdf> DOI: 10.3390/sym10120761 *
MCKEE, R: "Story: style, structure, substance, and the principles of screenwriting", 1997, HARPER COLLINS
REAGAN, THE EMOTIONAL ARCS OF STORIES ARE DOMINATED BY SIX BASIC SHAPES, 2016
TAUPIN, P: "Doctoral dissertation", 2017, UNIVERSITÉ PIERRE, article "Imaginaires d'ambiance automobile et sémiotique des récits: une approche d'innovation expérientielle digitale en Chine"
VONNEGUT, K: "Shapes of stories", VONNEGUT'S SHAPES OF STORIES, 1995, pages 51

Also Published As

Publication number Publication date
WO2023047071A1 (fr) 2023-03-30

Similar Documents

Publication Publication Date Title
Madianou Nonhuman humanitarianism: when'AI for good'can be harmful
Kaiser et al. Social media monitoring: What can marketers learn from Facebook brand photos?
US10469275B1 (en) Clustering of discussion group participants
CN117219080A (zh) 用于在通信会话内生成个性化响应的虚拟助手
WO2017202006A1 (fr) Dispositif et procédé de traitement de données, et support d&#39;informations informatique
US20170109615A1 (en) Systems and Methods for Automatically Classifying Businesses from Images
US20180129977A1 (en) Machine learning data analysis system and method
CN110019286B (zh) 一种基于用户社交关系的表情推荐方法及装置
Redi et al. Crowdsourcing for rating image aesthetic appeal: Better a paid or a volunteer crowd?
FR2947358A1 (fr) Un assistant-conseiller utilisant l&#39;analyse semantique des echanges communautaires
US11087182B1 (en) Image processing including streaming image output
CA3147634A1 (fr) Procede et dispositif d&#39;analyse d&#39;une conversation de vente sur la base de reconnaissance vocale
US20160034922A1 (en) Determining Brand Exclusiveness Of Users
Tack et al. Modèles adaptatifs pour prédire automatiquement la compétence lexicale d'un apprenant de français langue étrangère
Phaneendra et al. EMUSE–An emotion based music recommendation system
FR3127607A1 (fr) Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences
Shen et al. Deep learning for multimodal-based video interestingness prediction
Kuo et al. Reconsidering the role of brainstorming in the marketing of technology-driven innovation
FR2875929A1 (fr) Systeme et procede interactif intelligent de gestion d&#39;information
EP3511894A1 (fr) Ensemble local d&#39;affichage numerique et reseau de diffusion de contenus numeriques comportant de tels ensembles
Chang et al. Using Machine Learning to Extract Insights from Consumer Data
US20200294102A1 (en) Reviews, ratings and feedbacks system and method
Chai et al. An artistic analysis model based on sequence cartoon images for scratch
FR3110268A1 (fr) Procédés d’utilisation sécurisée d’un premier réseau de neurones sur une donnée d’entrée, et d’apprentissage de paramètres d’un deuxième réseau de neurones
KR101817342B1 (ko) 사진 이모티콘 생성 및 판매 방법

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20230331

PLFP Fee payment

Year of fee payment: 3