Plan — Modèle d'uplift FWCI sur EUNICoast (pipeline citation)

Date du plan : 2026-06-24. Socle décisionnel : ADR 0067 (réoriente la finalité de citation : prédire l’uplift de FWCI d’une paire d’auteurs depuis leurs thématiques, périmètre EUNICoast), qui amende ADR 0029 et s’appuie sur ADR 0054 (brut S3), ADR 0055 (DataOps Python), ADR 0057 (reproductibilité), ADR 0059 (grain author_id, embedding), ADR 0062 (MLOps). Reconnaissance préalable : audit 2026-06-24 (verdict GO). Ce plan développe le quoi/comment ; l’ADR 0067 porte le pourquoi.

Objectif

Produire, pour un auteur, des recommandations d’auteurs ou de thématiques à fort potentiel de FWCI, via un modèle prédictif d’uplift (FWCI collab − solo) entraîné sur les profils thématiques des auteurs (jamais leur identité), sur le périmètre EUNICoast (≥ 1 auteur affilié, < 10 ans).

Ce que ce plan n’est pas

La désambiguïsation author_id → personne : hors périmètre (le profil s’ancre sur l’author_id imparfait, ADR 0059).
L’interface de recommandation (PWA) : ce plan livre le mart servi ; la consommation côté application est un autre chantier.
Le branchement RGPD (registre d’opposition) : décision du déployeur (ADR 0030) ; le mécanisme de purge au grain (author_id, work_id) existe déjà et est réutilisé.

Modèle de données

raw/works.authorships[].institutions[]     (brut, déjà ingéré ; institutions PAS projetées)
seeds/ref_eunicoast.csv                     (13 ROR + alias legacy — NOUVEAU seed)
        │  staging : UNNEST institutions + jointure seed
        ▼
stg_citation_author_institutions            (grain (work_id, author_id, ror) — NOUVEAU)
curated_eunicoast_works                      (works avec ≥1 auteur EUNICoast ∩ <10 ans — NOUVEAU)
        │  profils : réutilise topics + embedding existants, restreints au périmètre
        ▼
marts_author_profiles                        (grain author_id : vecteur subfields + emb 384 — NOUVEAU)
curated_pair_uplift_labels                   (grain (author_a, author_b) : uplift observé — NOUVEAU)
        │  modèle : asset Python (gradient boosting + MLflow)
        ▼
marts_pair_uplift_predictions                (grain (author_a, author_b) : uplift prédit — SERVI)
marts_author_recommendations                 (grain author_id : top auteurs/thématiques — SERVI)
        + manifest.json (contrat Parquet, ADR 0029)

Invariant transverse (ADR 0067) : aucune feature du modèle ne porte l’identité d’un auteur — uniquement des vecteurs thématiques (subfields + embedding 384) et leurs combinaisons symétriques.

Lots

Chaque lot = une PR, scope dataops. Validation par lot : pnpm dataops:check vert + test hermétique sur fixtures (ADR 0057).

Lot 1 — Affiliations + filtre EUNICoast (fondation)

Quoi : projeter les affiliations institutionnelles (aujourd’hui exclues) et restreindre le périmètre.

Seed dataops/citation-dbt/seeds/ref_eunicoast.csv : ror,name,country — les 13 membres + alias legacy Antilles (017nssj40). Identifiants ROR figés.
Staging stg_citation_author_institutions.sql : UNNEST(authorships) puis UNNEST(ash.institutions) → grain (work_id, author_id, ror). Le brut porte authorships[].institutions[].ror (confirmé au spike).
Curated curated_eunicoast_works.sql : works ayant ≥ 1 auteur affilié EUNICoast (jointure au seed sur ror) ET publication_year ≥ extract(year from now()) − 10. Materialisé external (Parquet immuable).
Tests : test dbt (le périmètre n’est pas vide ; tout work retenu a ≥1 ROR EUNICoast). Fixture étendue avec quelques works portant des affiliations contrôlées.

Done : curated_eunicoast_works produit le bon périmètre sur fixture ; dataops:check vert. Issue dédiée (extraction affiliations).

Lot 2 — Profils thématiques par auteur (double représentation)

Quoi : pour chaque auteur du périmètre, ses deux représentations thématiques.

Mart marts_author_profiles :
- vecteur de subfields (dbt) : distribution pondérée par auteur sur les subfields de ses works EUNICoast (réutilise stg_citation_topics, restreint au périmètre). Grain (author_id, subfield_id, weight) ou vecteur sérialisé — à trancher à l’implémentation selon le consommateur du modèle.
- embedding 384 : réutilise l’asset researcher_embeddings existant, restreint au périmètre EUNICoast (pas de recalcul du modèle ONNX).
GE bloquant : profils non vides, vecteurs de dimension attendue.

Done : un auteur ⇒ un vecteur subfields + un embedding 384, sur fixture.

Lot 3 — Labels d’uplift observé (cible d’entraînement)

Quoi : pour chaque paire ayant co-publié, l’uplift réel (cible du modèle).

Curated curated_pair_uplift_labels :
- paires (author_a < author_b) co-auteurs d’un même work EUNICoast, ≥ 2 co-publications avec FWCI ;
- copub_fwci = moyenne du FWCI de leurs co-publications ;
- solo_fwci_a / solo_fwci_b = FWCI de référence solo de chaque auteur (fenêtre temporelle cohérente — voir garde-fou) ;
- uplift = copub_fwci − avg(solo_fwci_a, solo_fwci_b).
Anti-fuite temporelle (ADR 0067, garde-fou) : la baseline solo se calcule sur les publications antérieures aux co-publications de la paire ; ne jamais utiliser le futur. À cadrer précisément ici (c’est le point méthodologique le plus délicat du chantier).

Done : labels d’uplift produits, sans fuite temporelle, validés sur fixture.

Lot 4 — Modèle ML d’uplift (asset Python + validation honnête)

Quoi : entraîner et valider le modèle ; porte de décision du chantier.

Asset Python pair_uplift_model (sur le modèle de researcher_embeddings) :
- features de paire = combinaisons symétriques des deux représentations thématiques (cosinus, |diff|, produit) — jamais l’author_id ;
- modèle : gradient boosting (le R² = 0,50 du spike vient de la non-linéarité) ;
- validation GROUPÉE par auteur (un auteur jamais à la fois en train et test) + anti-fuite temporelle (lot 3) → le R² honnête, attendu < 0,50 ;
- provenance + métriques (R², MAE, vs baseline) loggées MLflow (ADR 0062).
Porte de décision : si le R² honnête s’effondre vers 0, rabattre sur une sortie descriptive (lot 5 sert alors l’uplift observé, pas prédit) et le consigner. Sinon, on sert les prédictions.

Done : R² honnête mesuré et loggé ; décision servir-prédictif / rabattre-descriptif tranchée et tracée.

Lot 5 — Prédictions + recommandations servies (mart + manifest)

Quoi : produire la sortie consommable.

Mart marts/pair_uplift_predictions : pour les paires candidates (y compris inédites — c’est l’intérêt du prédictif), l’uplift prédit. Livré par l’asset Python pair_uplift_model (lots 4 et 5 fusionnés dans un seul asset : il a déjà les données en mémoire).
Mart marts/author_recommendations : par author_id, le top-N partenaires à fort uplift prédit (la reco de thématiques se dérive du profil du partenaire). Livré (fonction pure top_recommendations, déterministe).
Manifest + GE : raffinement restant (contrat servi atomique sur ces deux marts, réutilise manifest.py, ADR 0029) — l’asset écrit déjà du Parquet immuable dt=…/run=… ; le manifest sentinelle et un GE bloquant sont à ajouter pour fermer complètement le contrat.

Done (cœur) : marts servis (prédictions + recommandations) + porte de décision prouvés sur fixture ML synthétique (13 tests). Manifest/GE = finition.

Validation E2E (preuve par exécution, [ADR 0057])

dbt build local sur fixtures étendues (works EUNICoast contrôlés avec FWCI + topics + affiliations) → vérifier : périmètre correct, profils non vides, labels d’uplift attendus, prédictions produites, recommandations cohérentes avec un GOLDEN. Modèle ML testé sur petit échantillon déterministe (graine figée). pnpm dataops:check vert.

Issues liées

Un lot = une issue (label enhancement), en chaîne de dépendance :

#444 — lot 1 : affiliations ROR + filtre EUNICoast (fondation) ;
#445 — lot 2 : profils thématiques par auteur ;
#446 — lot 3 : labels d’uplift observé (anti-fuite temporelle) ;
#447 — lot 4 : modèle ML + validation honnête (porte de décision) ;
#448 — lot 5 : prédictions + recommandations servies.

Garde-fous

Jamais l’identité comme feature (invariant ADR 0067) — vérifiable par revue des features.
Anti-fuite (par auteur + temporelle) avant de servir le modèle ; repli descriptif documenté.
Périmètre borné (EUNICoast, < 10 ans) — jamais un calcul sur toute la base.
Contrat Parquet + manifest inchangé ; immutabilité dt=…/run=….
Reproductibilité : graine ML figée, tests hermétiques sur fixtures.