Sara Jarrad
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Sara Jarrad has a total of 2 co-authors. Here are the top co-authors by number of shared publications:
- Hubert Naacke
Lip6, Sorbonne University
4 shared publications - Stéphane Gançarski
Lip6, Sorbonne University
4 shared publications
Latest Publications
- 11 October 2026
- Published by Springer Nature
- p. 274-283
Top-k on Sequences: A Generic Approach for Similarity Search
- 11 October 2026
- Published by Springer Nature
- p. 274-283
Top-k on Sequences: A Generic Approach for Similarity Search
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Retrieval, Ranking, and Recommendation of Similar Sequences : Application to Mobility Trajectories
Recherche, classement, et recommandation de séquences similaires : application aux trajectoires de mobilité: La croissance continue des données générées par les utilisateurs sur le web constitue une source précieuse pour l'analyse des comportements humains, notamment en matière de mobilité. Ces données, issues de photos partagées, de tags ou d'autres interactions numériques, permettent de reconstituer les trajectoires des individus sous forme de séquences ordonnées de points d'intérêt (POI) visités. Dans ce contexte, notre travail s'articule autour de trois tâches principales : la recommandation de POIs et de trajectoires, la recherche de similarité entre séquences, et le classement des top-k séquences les plus similaires à une séquence requête. Nos contributions sont doubles : d'une part, fournir une synthèse des concepts fondamentaux et des approches existantes dans ces domaines ; d'autre part, proposer de nouvelles solutions pour pallier les limitations identifiées dans l'état de l'art. Nous débutons par l'étude des tâches de recommandation, en particulier celles visant à prédire le prochain POI à visiter. De nombreuses méthodes existantes peinent à capturer les relations sémantiques entre POIs, ou intègrent des informations spatio-temporelles peu pertinentes pour nos données uniquement séquentielles. Pour surmonter ces obstacles, nous introduisons une approche fondée sur des représentations vectorielles (embeddings) générées par des modèles de langue. Cette méthode exploite les dépendances contextuelles entre POIs tout en se basant exclusivement sur les données séquentielles, améliorant ainsi la qualité des recommandations. Dans un second temps, nous élargissons notre étude à la recherche de similarité entre séquences, avec pour objectif de quantifier la ressemblance entre deux séquences sur la base de leurs éléments communs. Cette problématique dépasse le cadre des seules trajectoires de mobilité, et s'applique à d'autres types de séquences. Face aux limites des méthodes existantes, souvent coûteuses en calcul ou inadaptées à la structure de nos données, nous proposons SISIS, une approche d'indexation de séquences efficace permettant de retrouver toutes les séquences similaires à une séquence requête, selon un seuil défini par l'utilisateur (en nombre d'éléments partagés dans le même ordre). Nous présentons également SISIS*, une extension intégrant des embeddings pour enrichir les informations contextuelles et améliorer les performances de recherche. Enfin, nous abordons la tâche du classement des séquences similaires en introduisant une nouvelle fonction de score et un algorithme efficace de recherche des top-k séquences. Notre fonction attribue un score plus élevé aux séquences partageant un plus grand nombre de sous-séquences avec la requête, tout en optimisant les performances de calcul grâce à une gestion efficace des ensembles de séquences.
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Retrieval, Ranking, and Recommendation of Similar Sequences : Application to Mobility Trajectories
Recherche, classement, et recommandation de séquences similaires : application aux trajectoires de mobilité: La croissance continue des données générées par les utilisateurs sur le web constitue une source précieuse pour l'analyse des comportements humains, notamment en matière de mobilité. Ces données, issues de photos partagées, de tags ou d'autres interactions numériques, permettent de reconstituer les trajectoires des individus sous forme de séquences ordonnées de points d'intérêt (POI) visités. Dans ce contexte, notre travail s'articule autour de trois tâches principales : la recommandation de POIs et de trajectoires, la recherche de similarité entre séquences, et le classement des top-k séquences les plus similaires à une séquence requête. Nos contributions sont doubles : d'une part, fournir une synthèse des concepts fondamentaux et des approches existantes dans ces domaines ; d'autre part, proposer de nouvelles solutions pour pallier les limitations identifiées dans l'état de l'art. Nous débutons par l'étude des tâches de recommandation, en particulier celles visant à prédire le prochain POI à visiter. De nombreuses méthodes existantes peinent à capturer les relations sémantiques entre POIs, ou intègrent des informations spatio-temporelles peu pertinentes pour nos données uniquement séquentielles. Pour surmonter ces obstacles, nous introduisons une approche fondée sur des représentations vectorielles (embeddings) générées par des modèles de langue. Cette méthode exploite les dépendances contextuelles entre POIs tout en se basant exclusivement sur les données séquentielles, améliorant ainsi la qualité des recommandations. Dans un second temps, nous élargissons notre étude à la recherche de similarité entre séquences, avec pour objectif de quantifier la ressemblance entre deux séquences sur la base de leurs éléments communs. Cette problématique dépasse le cadre des seules trajectoires de mobilité, et s'applique à d'autres types de séquences. Face aux limites des méthodes existantes, souvent coûteuses en calcul ou inadaptées à la structure de nos données, nous proposons SISIS, une approche d'indexation de séquences efficace permettant de retrouver toutes les séquences similaires à une séquence requête, selon un seuil défini par l'utilisateur (en nombre d'éléments partagés dans le même ordre). Nous présentons également SISIS*, une extension intégrant des embeddings pour enrichir les informations contextuelles et améliorer les performances de recherche. Enfin, nous abordons la tâche du classement des séquences similaires en introduisant une nouvelle fonction de score et un algorithme efficace de recherche des top-k séquences. Notre fonction attribue un score plus élevé aux séquences partageant un plus grand nombre de sous-séquences avec la requête, tout en optimisant les performances de calcul grâce à une gestion efficace des ensembles de séquences.
- 23 November 2025
- Published by Springer Nature
- p. 32-60
SISIS: Sequence Indexing for SImilarity Search
- 4 December 2024
- Published by Springer Nature
- p. 229-235
SISIS : Sequence Indexing for SImilarity Search
- 4 December 2024
- Published by Springer Nature
- p. 229-235
SISIS : Sequence Indexing for SImilarity Search
- 4 December 2024
- Published by Springer Nature
- p. 236-251
Top-k on Sequences: A New Approach to Enhanced Similarity Search
- 4 December 2024
- Published by Springer Nature
- p. 236-251
Top-k on Sequences: A New Approach to Enhanced Similarity Search