3. Origines
Systèmes hypermédia adaptatifs
• Personnalisation de la présentation (feuille de
style, disposition des éléments, etc.)
• Personnalisation de la navigation (modification
du graphe hypermédia)
• Personnalisation du contenu (modification de la
complexité du contenu selon contexte, profil,
etc.)
Systèmes de recommandations
Systèmes hypermédia adaptatifs (Brusilovsky et al., 1996)
Introduit initialement
pour le e-learning
3 Institut Mines-Télécom Les systèmes de recommandations - Introduction
21/07/2015
4. Origines
Systèmes de recommandations
Systèmes hypermédia adaptatifs
Systèmes de recommandations
Personnalisation de la navigation (modification du
graphe hypermédia)
4 Institut Mines-Télécom Les systèmes de recommandations - Introduction
21/07/2015
5. Systèmes de recommandations :
A quoi ça sert ?
Pour l’utilisateur
Intérêt utilisateur
• Réduire le temps de recherche d’information
• Découvrir des produits difficiles à trouver
• …
𝐴𝑚é𝑙𝑖𝑜𝑟𝑒𝑟 𝑙′𝑒𝑥𝑝é𝑟𝑖𝑒𝑛𝑐𝑒 𝑢𝑡𝑖𝑙𝑖𝑠𝑎𝑡𝑒𝑢𝑟
Pour le fournisseur
5 Institut Mines-Télécom Les systèmes de recommandations - Introduction
21/07/2015
6. Pour le fournisseur
Pour l’utilisateur
Intérêt pour fournisseur du service
Systèmes de recommandations :
A quoi ça sert ?
• Garder/engager/fidéliser les clients
• Orienter les clients
• Augmenter les bénéfices
• …
6 Institut Mines-Télécom Les systèmes de recommandations - Introduction
21/07/2015
9. Items, utilisateurs, matrice d’usage
Matrice d’usage
Deux classes d’entités
Items et utilisateurs
• Utilisateurs : individus cibles de la recommandation
• Items : ensemble des éléments possiblement recommandables
aux utilisateurs
9 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
10. Items, utilisateurs, matrice d’usage
Matrice d’usage
SW3
A
B
C
HP1 HP2 HP3 TW SW1 SW2
4 5 1
5 5 4
2 4 5
D 3 3
Valeur inconnue
Utilisateurs
Deux classes d’entités
Matrice d’usage : relie utilisateurs et items par une
matrice de score
Items
Le score peut représenter
différents types d’interaction : une
note, un nombre d’utilisation, une
durée, un « like », etc.
10 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
11. Deux grands groupes de systèmes de
recommandations
Filtrage collaboratif (collaborative filtering)
Basé sur le contenu (content-based)
Systèmes de recommandations basés sur le contenu
Basé sur la similarité du profil de l’utilisateur avec le profil des items
11 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
12. Deux grands groupes de systèmes de
recommandations
Filtrage collaboratif (collaborative filtering)
Basé sur le contenu (content-based)
Systèmes de recommandations par filtrage collaboratif
Basé sur la similarité de comportement (achats, visites, clics, notes, etc.)
entre les utilisateurs
12 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
14. Principe général de la recommandation
basée sur le contenu
Profilage items et utilisateur
Recommandation par distance
• Profil items : vecteur de scores sur des attributs/descripteurs
• Profilage utilisateurs :
— Implicite (selon les interactions avec les items)
— Explicite (question directe)
Utilisateur
Profil
utilisateur
(vecteur
d’attributs)
Items
Profilage
items Profils
items
(vecteurs
d’attributs)
Profilage
utilisateur
Interactions
Faire attention aux
échelles entres attributs
14 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
15. Principe général de la recommandation
basée sur le contenu
Profilage items et utilisateur
Recommandation par distance
Utilisateur
Profil
utilisateur
(vecteur
d’attributs)
Items
Profilage
items Profils
items
(vecteurs
d’attributs)
Calcul de
distances
Les items avec
des profils
proches sont
recommandés
Profilage
utilisateur
Interactions
• Calcul de distances entre profils utilisateur-items
(distance cosinus, jaccard (pour 0-1 scores), Pearson, …)
• Recommandation des items les plus proches
15 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
16. • Bob a aimé A et C
— Vecteur utilisateur:
• Profilage de Bob
— Vecteur profil:
• Recommandation
— Distance de Pearson entre 𝑝 et chaque vecteur film/genre (ligne de 𝐼)
— Recommandation des films dont les distances avec 𝑝 sont les plus proches
Horreur Epouvante Action Romance Comédie Animation Sci-Fi Film
d’auteur
A 1 1 1
B 1 1 1
C 1 1 1
D 1 1
E 1 1
Films
Genre
Matrice 𝐼 =
𝑢 = 1
𝑝 = 𝑢. 𝐼 = 1 0 2 0 2 1 0 0
0 1 0 0
Horreur Epouvante Action Romance Comédie Animation Sci-Fi Film
d’auteur
A B C D E
Autres approches
Approche classique
Approche classique : exemple
16 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
Approches pour la recommandation basée
sur le contenu
17. Approches pour la recommandation basée
sur le contenu
Approche classique
Autres approches
• Passage dans un espace latent de dimensions plus faibles, pour
augmenter la densité de la matrice item-attribut (classification
non-supervisée des items). Calcul de distance utilisateur-item
dans cet espace.
• Réduction de dimension par utilisation d’ontologies pour relier
des attributs dont les concepts sont plus ou moins éloignés (ex:
maths et physiques en sciences). Toujours dans le but
d’augmenter la densité de la matrice item-attribut.
• Modèle d’apprentissage pour chaque utilisateur (réseau de
neurones, arbre de décision, forêt aléatoire, SVM, etc.) pour
prédire si un item va correspondre à l’utilisateur ou non.
Autres approches
17 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
18. Système de recommandation
basé sur le filtrage collaboratif
18 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
19. Principe de base de la recommandation par
filtrage collaboratif
Interaction utilisateurs
sur items
Matrice d’usage
Similaritésentre
les utilisateurs
sim(Alice, Bob) > sim(Chris,Bob)
Recommandation basée sur la similarité des usages entre
utilisateurs
Matrice d’usage
1 1 0 −1
1 1 −1 1
0 −1 1 0
1 0 −1 0
Les recommandations pour un utilisateur
U sont les items qui sont aimés par les
utilisateurs qui lui sont similaires
19 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
20. Approches pour la recommandation par
filtrage collaboratif
A 4 5 1
B 5 5 4
C 2 4 5
D 3 3
Utilisateurs
HP1 HP2 HP3 TW SW1 SW2 SW3
A 2/3 5/3 -7/3
B 1/3 1/3 -2/3
C -5/3 1/3 4/3
D 0 0
Utilisateurs
Films
A savoir:
Il existe aussi le
filtrage collaboratif
par voisinageitem
Approche classique : voisinage utilisateur
Exemple 1 : filtrage collaboratif par voisinage utilisateur
Films
HP1 HP2 HP3 TW SW1 SW2 SW3
• Matrice d’usage
• Utilisateur cible 𝐴
• Normalisation par ligne (soustractions de la valeur moyenne)
• Similarités de Pearson
𝑠𝑖𝑚(𝐴, 𝐵) = 0,06 ; 𝑠𝑖𝑚(𝐴, 𝐶) = −0,69 ; 𝑠𝑖𝑚(𝐴, 𝐷) = 0
• Recommandations : 𝑠𝑐𝑜𝑟𝑒 𝐴, 𝑖𝑡𝑒𝑚 = u∈utilisateurs sim A,u × score u,item
u∈utilisateurs sim A,u
𝑠𝑐𝑜𝑟𝑒 𝐴, 𝐻𝑃2 = 0,03 ; 𝑠𝑐𝑜𝑟𝑒 𝐴, 𝐻𝑃3 = −0,05 ;
𝑠𝑐𝑜𝑟𝑒(𝐴, 𝑆𝑊2) = −1,23 ; 𝑠𝑐𝑜𝑟𝑒(𝐴, 𝑆𝑊3) = 0
Inconvénients
-Temps de calcul important s’ily
a beaucoup d’utilisateurs/items
-Difficile de trouver des
similarités dans des matrices
d’usage peu dense (ce qui est
généralement le cas)
Clustering
Factorisation matricielle
Autres
20 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
21. Approches pour la recommandation par
filtrage collaboratif
• Matrice d’usage
• Regroupement desitems
• Le score d’un utilisateur pour un item est le score pour son cluster. Exemple :
𝑠𝑐𝑜𝑟𝑒(𝐴, 𝐻𝑃2) = 4
• S’il n’y a aucune valeur (ou 𝑠𝑐𝑜𝑟𝑒 = 0) alors calcul du score basé sur similarité des
utilisateurs (comme exemple précédent) sur la matrice de utilisateurs- clusters
HP1 HP2 HP3 TW SW1 SW2 SW3
A 4 5 1
B 5 5 4
C 2 4 5
D 3 3
Utilisateurs
Approche classique : voisinage utilisateur
Clustering
Exemple 2 : filtrage collaboratif par regroupement (clustering)
Films
Le clustering peut se
faire sur les
utilisateurs et/ou
items, et plusieurs fois
si besoin
Factorisation matricielle
Autres
21 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
Cluster de films
HP TW SW
A 4 5 1
B 4,67
C 2 4,5
D 3 3
Utilisateurs
22. Approches pour la recommandation par
filtrage collaboratif
• Soit une matrice d’usage 𝑀 ∶ 𝑈𝑡𝑖𝑙𝑖𝑠𝑎𝑡𝑒𝑢𝑟𝑠 ×𝐼𝑡𝑒𝑚𝑠
• Factorisation matricielle 𝑆𝑉𝐷 (singular value decomposition)
𝑀 = 𝑈𝑆𝑉𝑇
•Les 𝑛 premières valeurs singulières de 𝑆 sont gardées et donne une nouvelle matrice
diagonale 𝑆’
• Nouvelle matrice de score selon les valeurs singulières sélectionnées
𝑀’ = 𝑈𝑆′ 𝑉𝑇
• Les items avec les plus grands scores sont recommandés à l’utilisateur
Approche classique : voisinage utilisateur
Clustering
Factorisation matricielle
Exemple 3: filtrage collaboratif par factorisation matricielle SVD
Autres
Il existe denombreux
autres types de
factorisation
matricielle
22 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
23. Approches pour la recommandation par
filtrage collaboratif
Autres
Approche classique : voisinage utilisateur
Clustering
Factorisation matricielle
De nombreuses autres approches
• Règles d’association
• Parcours de graphe
• Modèle d’apprentissage
23 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
25. Avantages et inconvénients des deux
approches
— Permet des recommandations de nouveaux items
— Un nouvel utilisateur peut recevoir des recommandations
dés ses premières interactions avec le système
• Inconvénient
— Nécessite une quantité importante de descripteurs sur les
items et/ou utilisateurs
SR basé sur le contenu
Systèmes de recommandations basés sur le contenu
• Avantages
SR basé sur le filtrage collaboratif
25 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
26. • Avantage
— Pas besoin de descripteurs sur les items/utilisateurs
• Inconvénient
— Problème de démarrage à froid, pas de recommandations
possibles s’il n’y a pas eu suffisamment d’interactions
utilisateurs/items
SR basé sur le contenu
Systèmes de recommandations basés sur le filtrage collaboratif
SR basé sur le filtrage collaboratif
26 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
Avantages et inconvénients des deux
approches
27. SR basé sur le contenu
SR basé sur le filtrage collaboratif
Ces deux approches ne sont pas
disjointes et sont la plupart du temps
combinées
Avantages et inconvénients des deux
approches
27 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
29. De nombreuses informations additionnelles
Sur utilisateurs/items
Informations additionnelles sur utilisateurs/items
• Informations personnels (âge, métier, genre, …)
• Réseau social
• Tags
• Positions géographiques
• Commentaires, avis textuels
Sur interactions U-I
29 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
30. De nombreuses informations additionnelles
Sur interactions U-I
Sur utilisateurs/items
Informations contextuelles associées aux interactions U-I
• Temps (Heure)
• Météo
• Humeur
• Position géographique
30 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
31. De nombreuses informations additionnelles
Sur utilisateurs/items
Sur interactions U-I
Vers des systèmes de plus en plus sensibles au
contexte, au temps, aux habitudes, aux
interactions sociales, aux sentiments, …
31 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
32. Approches tenant compte d’informations
additionnelles sur utilisateurs/items
Matrice
U-I
Voisinage
utilisateur/item
Informations
additionnelles
utilisateurs
Voisinage
utilisateur
Voisinage
item
Information
additionnelles
items
Recommandations
Voisinages
Approches par voisinages
Modèles d’apprentissage
Modèles à facteurs latents
Graphes
32 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
33. Approches tenant compte d’informations
additionnelles sur utilisateurs/items
Modèles à facteurs latents
Graphes
Matrice
U-I
Paramètres
Informations
additionnelles
utilisateurs
Informations
additionnelles
items
Apprentissage d’un
modèle prédictif
basé sur les
paramètres
Paramètres
Paramètres
Recommandations
Voisinages
Modèles d’apprentissage
Approches par modèles d’apprentissage
33 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
34. Approches tenant compte d’informations
additionnelles sur utilisateurs/items
Graphes
Modèle prédictif
Matrice
U-I U
Informations
additionnelles
utilisateurs
Informations
additionnelles
items
Recommandations
V
U
P
V
Q
Factorisation de U-I sous contrainte
des informations additionnelles
Voisinages
Modèles d’apprentissage
Modèles à facteurs latents
Approches par modèles à facteurs latents
34 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
35. Approches tenant compte d’informations
additionnelles sur utilisateurs/items
Graphes
Voisinages
Modèles d’apprentissage
Modèles à facteurs latents
Approches par graphes
Matrice
U-I
Informations
additionnelles
utilisateurs
Informations
additionnelles
items
Approches par
exploration du
graphe
Recommandations
Graphe incluant
utilisateurs, items,
entités issues des
informations
additionnelles, et
leurs relations
35 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
37. Approches tenant compte d’informations
contextuelles liées aux interactions U-I
Factorisation tensorielle
« Factorization Machines »
Graphes
Dépendantes du temps
Méthodes par filtrage collaboratif dépendantes du temps
Méthodes qui favorisent les interactions plus récentes afin
de proposer des recommandations plus en phase avec les
profils courants.
Méthodes très spécifiques à
l’information temporelle, ne sont
pas généralisable aux autres
données contextuelles
37 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
38. Approches tenant compte d’informations
contextuelles liées aux interactions U-I
« Factorization Machines »
Graphes
Dépendantes du temps
Factorisation tensorielle
Méthodes par factorisation tensorielle
Matrice
U-I
Informations
contextuelles
liées aux
interactions
Tenseur
Utilisateurs
Items
U
V
Modèle
prédictif
Recommandations
38 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
39. Approches tenant compte d’informations
contextuelles liées aux interactions U-I
Graphes
Dépendantes du temps
Factorisation tensorielle
« Factorization Machines »
Méthodes par « Factorization Machines » [Rendle, 2010]
• Est une généralisation des méthodes
à base de factorisation
• Permet de considérer à la fois les
informations de contexte et les
informations en rapport avec
items/utilisateurs
« one-hot encoding »
Où il s’agit de déterminer
39 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
Factorization machine de degré 2:
40. Approches tenant compte d’informations
contextuelles liées aux interactions U-I
Graphes
Dépendantes du temps
Factorisation tensorielle
« Factorization Machines »
Méthodes par graphes
Matrice
U-I
Informations
additionnelles
Approches par
exploration du
graphe
Recommandations
Graphe incluant
utilisateurs, items,
entités issues des
informations
additionnelles, et
leurs relations
Permet de considérer à la fois les
informations de contexte et les
informations en rapport avec
items/utilisateurs
40 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
41. Approches
Complexité du
modèle
Complexité
spatiale
Complexité
temporelle
Explicabilité
des résultats
Tenseurs Importante Faible Importante Faible
Factorization
machines
Importante Faible Importante Faible
Graphes Faible Moyenne Importante Moyenne
Les méthodes FC dépendantes du temps ne sont pas pertinentes dans cette comparaison
elles ne représentent pas un framework général d’utilisation d’information contextuelle pour la recommandation, elles se
limitent à l’utilisation du temps
Propriétés succinctes des approches
41 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
Approches tenant compte d’informations
contextuelles liées aux interactions U-I
43. Recommandation de lieux pour des réseaux
sociaux géographiques
Informations
géographiques
Réseau social
Réseau social de partage de lieux
(Location-Based SocialNetwork)
Réseau social géographique ?
43 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
44. Graph-based approach for location
recommendation in LBSNs using Katz Centrality
𝜶𝑺
𝜷𝑭𝑻
Places
𝜷𝑭
𝜸𝑮
Users
𝑪 =
Places
Users
⋯ ⋯ ⋯
⋮ ⋱ ⋮
⋯ ⋯ ⋯
F=
Users
Places
Graphe de fréquentation (matrice d’usage)
S=
Users
Users
0 ⋯ ⋯
⋮ ⋱ ⋮
⋯ ⋯ 0
Graphe social
Graphe géographique?
Graphe considérant frequentations, social et positions
géographiques (des lieux)
44 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
45. 𝜶𝑺
𝜷𝑭𝑻
𝜷𝑭
𝜸𝑮
Places
Users
𝑪 =
Places
Users
0 ⋯
⋯ 0
⋯ ⋯
⋯ ⋯
⋯ ⋯
Places
⋯ ⋯ ⋯
⋯ ⋯ ⋯
0 ⋯ ⋯
⋯ 0 ⋯
⋯ ⋯ 0
G =
Places
𝑓(𝑥) = 𝑎𝑥𝑏
𝑓(𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒(𝑃𝑙𝑎𝑐𝑒𝑖,𝑃𝑙𝑎𝑐𝑒𝑗))
Global distribution of all users visits
according to the mutual distances
Low distances between places gives
high values in G, and inversely
Scores are computed according to
the distances between places
Graph-based approach for location
recommendation in LBSNs using Katz Centrality
Graphe géographique
45 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
46. 𝐾𝑎𝑡𝑧 𝐶 = 𝛽𝐶 + 𝛽2𝐶2 + 𝛽3𝐶3 + ⋯
converge pour 0 ≤ 𝛽 <
1
max( 𝜆 𝐶 )
max( 𝜆 𝐶 ) est la plus grande valeur propre de 𝐶 (appelé rayonspectral)
𝐹′
Matrice des scores de prédiction
après propagation de Katz
Users
𝐾𝑎𝑡𝑧(𝐶) =
Places
Users Places
⋯
⋯ ⋯
Complexité algorithmique:
𝑂 𝑁𝑢 × 𝑛𝑛𝑧 , avec 𝑁𝑢, le nombre de
d’utilisateurs et 𝑛𝑛𝑧, le nombre de
« non-zero » dans 𝐹𝐹𝑇 𝑘
𝐾𝑎𝑡𝑧 𝐶 12 = 𝛽 𝐹 + 𝛽2 𝑆𝐹 + 𝐹𝐺
+ 𝛽3 𝑆2𝐹 + 𝐹𝐹𝑇𝐹 + 𝑆𝐹𝐺 + 𝐹𝐺2 + ⋯
Graph-based approach for location
recommendation in LBSNs using Katz Centrality
Centralité de Katz [Katz, 1953]
Permet d’identifier des relations
distantes entre des nœuds d’un
graphe
46 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
47. 𝐾𝑎𝑡𝑧 𝐶 12 = 𝛽 𝐹 + 𝛽2 𝑆𝐹 + 𝐹𝐺
+ 𝛽3 𝑆2𝐹 +𝐹𝐹𝑇𝐹 + 𝑆𝐹𝐺 + 𝐹𝐺2 + ⋯
Places visited by friends
Places close to the
visited places
Places visited by friends
of friends
Places visited by users
that have visited the
same places
Places close to places
visited by friends
Places close to places
close to the visited
places
Graph-based approach for location
recommendation in LBSNs using Katz Centrality
Les chemins considérés dans 𝑲𝒂𝒕𝒛 𝑪 𝟏𝟐
47 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
48. Context and social based recommender
system using association rules
DB History
Learningpart
Offline
Recommendation part
Online
Association rules
mining
All users' past
visitingsessions
Rules selection
DB
Association
Rules
Rules scoring
Items selection
- visiting session
- position
- desired TOR
- friends
Profile
selected rules
with scores
recommendations
Recommandation contextuelle et sociale de lieux qui dépend du type de
recommandation désiré par l’utilisateur
• Contexte:
— Session de visites
— Positioncourante
— Type de recommandation
désiré (veut-il des
recommandationsévidentes
? surprenantes ? rares ?
populaires ?)
• Visites passées des amis
48 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
49. Context and social based recommender
system using association rules
Learning part
Partie hors-ligne, apprentissage
de règles d’association
Recommendation part
• Transaction : session de visites
(ensemble de lieux)
• Extraction de toutes les règles
d’association
49 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
50. Context and social based recommender
system using association rules
Learning part
Partie en-ligne, temps-réelle,
moteur de recommandation
Recommendation part
• Sélection de règles
correspondantes à la session de
visites de l’utilisateur
• Calcul de scores de pertinences
pour chaque règles sélectionnées
selon une mesure de pertinence
• Pondération et sélection des
items à recommander
𝑀𝑝 𝑟𝑖 = 𝑀𝑔 𝑟𝑖 𝛼𝑀𝑖 𝑟𝑖+ 1 − 𝛼 𝑀𝑠 𝑟𝑖
• 𝑴𝒊 dépend du type de recommandation désiré:
Confiance, Surprise, Rareté, Popularité
• 𝑴𝐠 dépend de la position géographique courante de
l’utilisateur. Elle met en avant les règles dont le lieu
conséquent n’est pas trop éloigné de l’utilisateur.
• 𝑴𝐬 dépend des visites des utilisateurs amis. Elle met en
avant les règles qui se sont vérifiées souvent chez les
amis de l’utilisateur courant.
50 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
52. Hors ligne
Evaluation hors ligne
• Jeux d’apprentissage et de test
— Pas de convention pour définir ces jeux
• Algorithme de recommandation sur jeu d’apprentissage
• Matrice de score prédis ou k-recommandations
• Mesures de qualité
— RMSE entre scores prédis et scores réels
— Rappel, Précision, F1-Score, ROC
En ligne
Problème
Chercher à « améliorer la prédiction des
futures scores/actions des utilisateurs »,
diffère de « améliorer la qualité des
recommandations »
52 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
Evaluation de la qualité des recommandations
53. Evaluation de la qualité des recommandations
Hors ligne
Evaluation en ligne
• A/B testing
— Test de recommandations différentes sur un groupe A et un groupe B
d’individus
— Validation méthode dont les recommandations ont amélioré une fonction
objectif (augmentation du nombre d’achat, du bénéfice, du temps passé par
les utilisateurs sur les pages, satisfaction des utilisateur, etc.)
En ligne
Problème
Très couteux à mettre en place
53 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
54. Quelques perspectives du
domaine
54 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
Quelles pistes pour améliorer les
recommandations ?
55. Quelques perspectives du domaine
55 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
o Social
• Identification d’utilisateurs plus enclins à la recommandation sociale
• Quelle est la nature exacte de la corrélation entre les intérêts utilisateurs et les relations sociales ?
Quel impact sur les recommandations ?
• Recommandation considérant les relations sociales négatives
o Recommandation pour un groupe
• Etude de la structure/dynamique d’un groupe pour la recommandation (qui est le chef ? qui est
influençable ? comment se propage l’information ?)
o Recommandations interactives
• Profilage interactif de l’utilisateur par des questions/propositions explicites
o Profilage plus précis par analyse textuelle
o Intégration des interactions textuelles, analyse de sentiments
o Acquisition et intégration des tendances relatives aux habitudes
o Méthodes à apprentissage profond, deep learning
o Formalisation des conditions d’évaluation des systèmes de
recommandation selon les caractéristiques du jeu de données et les
objectifs de recommandation
o Recommandation combinatoire (cf. ma thèse)
o Est-ce que les recommandations fournies par mon modèle tendent à
uniformiser les profils des utilisateurs ? Quelle est sa convergence ?
o Plus généralement : systèmes de recommandation sensibles au temps
(TARS) et sensibles au contexte (CARS)
57. Conclusion
57 Institut Mines-Télécom Les systèmes de recommandations
21/07/2015
o Un système de recommandation demande un(e):
• Analyse/modélisation des interactions, comportements
• Analyse/profilage des utilisateurs, items
• Méthode/algorithme de recommandation basé sur ces analyses/modèles et
dépendante des contraintes, objectifs de recommandation
• Méthode d’évaluation détaillée, comparaison avec d’autres méthodes dans les
mêmes conditions
o De nombreuses pistes à développer dans le domaine