Recommandé
Recommandé
Contenu connexe
Similaire à presentationdecide.pptx
Similaire à presentationdecide.pptx (20)
Plus de WijdenBenothmen1
Plus de WijdenBenothmen1 (8)
presentationdecide.pptx
- 1. InstitutMines-Télécom Les systèmes de recommandations Romain Picot-Clémente
- 2. Institut Mines-Télécom Introduction 21/07/2015 Les systèmes de recommandations 2
- 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
- 7. Applications Exemples de domaines d’application • Films (Netflix, Allocine, …) • Musiques (Deezer, …) • Jeux vidéo (Steam, Microsoft Xbox Live, ...) • Livres (Amazon, Fnac, …) • « Amis » (Facebook, Twitter, Google+, …) • Tourisme (Expedia, …) • e-Shopping (Cdiscount, eBay, Amazon, Fnac, …) • Publicité ciblée (Criteo, …) • Nutrition/sport/bien-être (Withings, Fitnext, …) • Médical • … 7 Institut Mines-Télécom Les systèmes de recommandations - Introduction 21/07/2015
- 8. Définitions, types de systèmes de recommandation 8 Institut Mines-Télécom Les systèmes de recommandations 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
- 13. Systèmes de recommandations basés sur le contenu 13 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
- 24. Avantages et inconvénients des deux approches 24 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
- 28. Recommandation tenant compte d’informations additionnelles 28 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
- 36. Approches Complexité du modèle Complexité spatiale Complexité temporelle Explicabilité des résultats Voisinages Moyenne Importante Importante Importante Modèles Importante Faible Importante Faible Graphes Faible Moyenne Importante Moyenne Approches tenant compte d’informations additionnelles sur utilisateurs/items Propriétés succinctes des approches 36 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
- 42. Quelques contributions 42 Institut Mines-Télécom Les systèmes de recommandations 21/07/2015
- 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
- 51. Institut Mines-Télécom Evaluation de la qualité des recommandations 21/07/2015 Les systèmes de recommandations 51
- 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)
- 56. Conclusion 56 Institut Mines-Télécom Les systèmes de recommandations 21/07/2015
- 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