Recommandé
Contenu connexe
Similaire à Introduction aux systèmes de recommandation part 2.pptx
Similaire à Introduction aux systèmes de recommandation part 2.pptx (20)
Introduction aux systèmes de recommandation part 2.pptx
- 1. Introduction aux systèmes de recommandation(part 2) Réalisé par : BABZINE BAHIJA ER-RAHMOUNY ZOHAYR Encadré par : Mr. El-fenaouy Reda Mr. Gardelle Bertin
- 2. PLAN DE TRAVAIL 2 Rappel Introduction LightFm hybrid recommender SR hybride Conclusion
- 3. Rappel 3 01
- 4. 4 Filtrage Collaboratif Filtrage Basé sur le Contenu système de recommandation Traitement du Langage Naturel (NLP). o Text Similarity o Named Entity Recognition o Topic Extraction Fournir des Recommandations Personnalisées et Précises aux Utilisateurs Rappel
- 6. 6 Filtrage Collaboratif Filtrage Basé sur le Contenu Introduction
- 7. 7 Filtrage Collaboratif Filtrage Basé sur le Contenu Introduction Système de Recommandation Hybride
- 9. 9 Un système de recommandation hybride est un type de système de recommandation qui combine plusieurs approches de recommandation pour fournir des suggestions personnalisées aux utilisateurs Définition recommandation basée sur le contenu recommandation collaborative recommandation basée sur les connaissances Recommedation Hybride
- 10. 10 Types de données pour générer un système de recommandation Nous pouvons diviser les données en deux types à l'aide desquels nous pouvons générer un système de recommandation 02 Feedback implicite souvent recueilli à travers l'analyse des comportements des utilisateurs sur la plateforme, tels que les clics, les achats, les recherches ou le temps passé sur une page 01 Feedback explicite Souvent recueilli à travers des questionnaires, des évaluations et des notations fournies directement par les utilisateurs Exemple, sur un site de streaming vidéo, les utilisateurs peuvent donner une note à une série qu'ils ont regardée ou écrire un commentaire pour la recommander ou la déconseiller. exemple, si un utilisateur a regardé plusieurs épisodes d'une série en particulier, le système de recommandation peut en déduire qu'il aime cette série et lui recommander d'autres séries similaires
- 11. 11 Pertes utilisées par les systèmes de recommandation Perte par paires du classement personnalisé bayésien (BPR) Lorsque les utilisateurs interagissent de manière positive avec les données, nous voulons maximiser la performance du modèle en termes de ROC AUC. Pour ce faire, nous utilisons une technique appelée perte par paires. Cette technique vise à maximiser la différence de prédiction entre la rétroaction positive de l'utilisateur et une rétroaction négative sélectionnée au hasard. Perte de rang approximatif pondéré par paires (WARP) Cette technique est utile lorsque des commentaires positifs sont disponibles et que nous cherchons à optimiser les meilleures recommandations possibles. Pour y parvenir, nous échantillonnons plusieurs fois des rétroactions négatives jusqu'à ce que nous trouvions celle qui viole le rang et ainsi maximisons le rang de la rétroaction positive.
- 12. 12 Principales caractéristiques des données implicites Données implicites Pas de commentaires négatifs Intrinsèquement bruyant Intrinsèquement bruyant
- 13. 13 Apprentissage des systèmes de recommandation Model Loss/utility function Optimization algorithm Output Parameters (o) Training data
- 14. 14 Apprentissage des systèmes de recommandation Nous pouvons choisir n'importe quel algorithme d'optimisation qui correspond à notre objectif. Pour les données implicites, l'un des meilleurs algorithmes d'optimisation est l'alternance des moindres carrés C'est comme n'importe quelle autre fonction de perte que nous avons dans un algorithme d'apprentissage automatique et sera minimisée pour arriver à une solution optimale Le système de recommandation est un modèle basé sur une factorisation matricielle ou une régression linéaire avec des paramètres à optimiser pour fournir des recommandations. Optimization algorithm Model Loss/utility function
- 16. 16 Définition LightFM est une bibliothèque open-source de machine learning pour la recommandation de contenu qui combine des techniques de factorisation de matrice pour la recommandation collaborative avec des techniques de traitement de texte pour la recommandation de contenu.
- 17. 17 Le fonctionnement de LightFM Le fonctionnement de LightFM peut être décrit en trois étapes principales: 01 Construction de la matrice d'interaction utilisateur-article : LightFM construit une matrice d'interaction utilisateur-article en utilisant les données d'historique d'interaction utilisateur-article disponibles. Cette matrice peut être vue comme une représentation matricielle de l'ensemble des préférences des utilisateurs pour les articles.
- 18. 18 Le fonctionnement de LightFM Le fonctionnement de LightFM peut être décrit en trois étapes principales: 02 Décomposition de la matrice d'interaction utilisateur-article : LightFM décompose la matrice d'interaction utilisateur-article en deux matrices de facteurs latents : une pour les utilisateurs et une pour les articles. Cette décomposition permet de réduire la dimensionnalité de la matrice d'interaction et de représenter chaque utilisateur et chaque article dans un espace latent de facteurs.
- 19. 19 Le fonctionnement de LightFM Le fonctionnement de LightFM peut être décrit en trois étapes principales: 03 Prédiction des préférences utilisateur : Pour prédire les préférences d'un utilisateur pour un article donné, LightFM utilise la similitude entre l'utilisateur et l'article dans l'espace latent de facteurs. LightFM utilise également des informations de contenu supplémentaires sur les articles, telles que les mots clés ou les tags, pour améliorer la précision des prédictions de recommandation
- 20. 20 Avantages de LightFM Rapidité et efficacité dans la génération de recommandations Capacité à gérer différents types de données Flexibilité dans la personnalisation des recommandations Possibilité de générer des recommandations pour les nouveaux utilisateurs et les nouveaux articles 01 03 02 04
- 21. 21 LightFM python library 01 Traiter nos données et créer un dataset de lightFM en utilisant son api 02 Créer une matrice d’interaction, user/item features 03 Faire un modèle et l'entraîner 04 Évaluer le modèle 05 Faire des prédictions Les étapes pour construire un modèle en utilisant la bibliothèque LightFM:
- 22. 22 05 Conclusion
Notes de l'éditeur
- Ces approche pour fournir des recommandation
- On a déjà vu que Il existe deux méthodes populaires utilisées pour filtrer les recommandations, le filtrage basé sur le contenu et le filtrage collaboratif Ces méthodes sont confrontées au problème lorsqu'il n'y a pas assez de données pour apprendre la relation entre l'utilisateur et les éléments. Dans de tels cas, le troisième type d'approche est utilisé pour construire les systèmes de recommandation nommé système de recommandation hybride
- On a déjà vu que Il existe deux méthodes populaires utilisées pour filtrer les recommandations, le filtrage basé sur le contenu et le filtrage collaboratif Ces méthodes sont confrontées au problème lorsqu'il n'y a pas assez de données pour apprendre la relation entre l'utilisateur et les éléments. Dans de tels cas, le troisième type d'approche est utilisé pour construire les systèmes de recommandation nommé système de recommandation hybride
- La recommandation basée sur le contenu : qui analyse les caractéristiques des éléments recommandés pour trouver des éléments similaires ou complémentaires. La recommandation collaborative : qui utilise l'historique d'interaction de l'utilisateur pour identifier les préférences et les intérêts communs avec d'autres utilisateurs et recommander des éléments en fonction de ces similitudes. La recommandation basée sur les connaissances : qui utilise des connaissances expertes pour recommander des éléments en fonction de leur pertinence pour l'utilisateur.
- Nous pouvons construire des systèmes de recommandation de deux manières en utilisant deux approches de perte différentes :
- Θ : Paramètres de notre modèle de recommandation comme les matrices d'utilisateurs et d'articles dans la factorisation matricielle. g(θ) : fonction de perte que nous essayons de minimiser