Télécharger en tant que PDF, PPTX
![Institut Mines-Télécom
Approches tenant compte d’informations
contextuelles liées aux interactions U-I
21/07/2015 Les systèmes de recommandations39
Dépendantes du temps
« Factorization Machines »
Factorisation tensorielle
Graphes
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
Factorization machine de degré 2:](https://image.slidesharecdn.com/presentationdecide21-07-2015-150721133929-lva1-app6892/85/Les-systemes-de-recommandations-39-320.jpg)
![Institut Mines-Télécom21/07/2015 Les systèmes de recommandations46
𝐾𝑎𝑡𝑧 𝐶 = 𝛽𝐶 + 𝛽2
𝐶2
+ 𝛽3
𝐶3
+ ⋯
converge pour 0 ≤ 𝛽 <
1
max( 𝜆 𝐶 )
max( 𝜆 𝐶 ) est la plus grande valeur propre de 𝐶 (appelé rayon spectral)
𝐾𝑎𝑡𝑧(𝐶) = ⋯ 𝐹′
⋯ ⋯
Matrice des scores de prédiction
après propagation de Katz
Users
Users
Places
Places
Complexité algorithmique:
𝑂 𝑁 𝑢 × 𝑛𝑛𝑧 , avec 𝑁 𝑢, le nombre de
d’utilisateurs et 𝑛𝑛𝑧, le nombre de
« non-zero » dans 𝐹𝐹 𝑇 𝑘
𝐾𝑎𝑡𝑧 𝐶 12 = 𝛽 𝐹 + 𝛽2
𝑆𝐹 + 𝐹𝐺
+ 𝛽3
𝑆2
𝐹 + 𝐹𝐹 𝑇
𝐹 + 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](https://image.slidesharecdn.com/presentationdecide21-07-2015-150721133929-lva1-app6892/85/Les-systemes-de-recommandations-46-320.jpg)
Les systèmes de recommandations
- 1. Institut Mines-Télécom Les systèmesde recommandations Romain Picot-Clémente
- 2. Institut Mines-Télécom Introduction 21/07/2015 Lessystèmes de recommandations2
- 3. Institut Mines-Télécom Origines • Personnalisationde 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.) 21/07/2015 Les systèmes de recommandations - Introduction3 Systèmes hypermédia adaptatifs Systèmes de recommandations Systèmes hypermédia adaptatifs (Brusilovsky et al., 1996) Introduit initialement pour le e-learning
- 4. Institut Mines-Télécom Origines Personnalisation dela navigation (modification du graphe hypermédia) 21/07/2015 Les systèmes de recommandations - Introduction4 Systèmes hypermédia adaptatifs Systèmes de recommandations Systèmes de recommandations
- 5. Institut Mines-Télécom21/07/2015 Lessystèmes de recommandations - Introduction5 Pour l’utilisateur Pour le fournisseur Intérêt utilisateur Systèmes de recommandations : A quoi ça sert ? • Réduire le temps de recherche d’information • Découvrir des produits difficiles à trouver • … 𝐴𝑚é𝑙𝑖𝑜𝑟𝑒𝑟 𝑙′ 𝑒𝑥𝑝é𝑟𝑖𝑒𝑛𝑐𝑒 𝑢𝑡𝑖𝑙𝑖𝑠𝑎𝑡𝑒𝑢𝑟
- 6. Institut Mines-Télécom21/07/2015 Lessystèmes de recommandations - Introduction6 Pour l’utilisateur Pour le fournisseur Intérêt pour fournisseur du service Systèmes de recommandations : A quoi ça sert ? • Garder/engager/fidéliser les clients • Orienter les clients • Augmenter les bénéfices • …
- 7. Institut Mines-Télécom Applications 21/07/2015 Lessystèmes de recommandations - Introduction7 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 • …
- 8. Institut Mines-Télécom Définitions, typesde systèmes de recommandation 21/07/2015 Les systèmes de recommandations8
- 9. Institut Mines-Télécom • Utilisateurs: individus cibles de la recommandation • Items : ensemble des éléments possiblement recommandables aux utilisateurs Items, utilisateurs, matrice d’usage 21/07/2015 Les systèmes de recommandations9 Deux classes d’entités Matrice d’usage Items et utilisateurs
- 10. Institut Mines-Télécom Items, utilisateurs,matrice d’usage 21/07/2015 Les systèmes de recommandations10 Deux classes d’entités Matrice d’usage Matrice d’usage : relie utilisateurs et items par une matrice de score HP1 HP2 HP3 TW SW1 SW2 SW3 A 4 5 1 B 5 5 4 C 2 4 5 D 3 3 Valeur inconnue Utilisateurs Items Le score peut représenter différents types d’interaction : une note, un nombre d’utilisation, une durée, un « like », etc.
- 11. Institut Mines-Télécom Deux grandsgroupes de systèmes de recommandations 21/07/2015 Les systèmes de recommandations11 Basé sur la similarité du profil de l’utilisateur avec le profil des items Basé sur le contenu (content-based) Filtrage collaboratif (collaborative filtering) Systèmes de recommandations basés sur le contenu
- 12. Institut Mines-Télécom Deux grandsgroupes de systèmes de recommandations 21/07/2015 Les systèmes de recommandations12 Basé sur la similarité de comportement (achats, visites, clics, notes, etc.) entre les utilisateurs Basé sur le contenu (content-based) Filtrage collaboratif (collaborative filtering) Systèmes de recommandations par filtrage collaboratif
- 13. Institut Mines-Télécom Systèmes derecommandations basés sur le contenu 21/07/2015 Les systèmes de recommandations13
- 14. Institut Mines-Télécom Principe généralde la recommandation basée sur le contenu 21/07/2015 Les systèmes de recommandations14 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
- 15. Institut Mines-Télécom Principe généralde la recommandation basée sur le contenu 21/07/2015 Les systèmes de recommandations15 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
- 16. Institut Mines-Télécom • Boba 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 21/07/2015 Les systèmes de recommandations16 Approche classique 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 0 1 0 0 𝑝 = 𝑢. 𝐼 = 1 0 2 0 2 1 0 0 Horreur Epouvante Action Romance Comédie Animation Sci-Fi Film d’auteur A B C D E Autres approches Approche classique : exemple Approches pour la recommandation basée sur le contenu
- 17. Institut Mines-Télécom21/07/2015 Lessystèmes de recommandations17 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
- 18. Institut Mines-Télécom Système derecommandation basé sur le filtrage collaboratif 21/07/2015 Les systèmes de recommandations18
- 19. Institut Mines-Télécom Principe debase de la recommandation par filtrage collaboratif 21/07/2015 Les systèmes de recommandations19 Interaction utilisateurs sur items Matrice d’usage Similarités entre les utilisateurs sim(Alice, Bob) > sim(Chris, Bob) Recommandation basée sur la similarité des usages entre utilisateurs Matrice d’usage 1 1 1 1 0 −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
- 20. Institut Mines-Télécom Approches pourla recommandation par filtrage collaboratif 21/07/2015 Les systèmes de recommandations20 HP1 HP2 HP3 TW SW1 SW2 SW3 A 4 5 1 B 5 5 4 C 2 4 5 D 3 3 Utilisateurs Films 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 voisinage item Approche classique : voisinage utilisateur Factorisation matricielle Exemple 1 : filtrage collaboratif par voisinage utilisateur • 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 = sim A,u × score u,itemu∈utilisateurs sim A,uu∈utilisateurs 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’il y a beaucoup d’utilisateurs/items - Difficile de trouver des similarités dans des matrices d’usage peu dense (ce qui est généralement le cas) Clustering Autres
- 21. Institut Mines-Télécom Approches pourla recommandation par filtrage collaboratif 21/07/2015 Les systèmes de recommandations21 Approche classique : voisinage utilisateur Factorisation matricielle Exemple 2 : filtrage collaboratif par regroupement (clustering) • Matrice d’usage • Regroupement des items • 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 Clustering Autres HP1 HP2 HP3 TW SW1 SW2 SW3 A 4 5 1 B 5 5 4 C 2 4 5 D 3 3 Utilisateurs Films Le clustering peut se faire sur les utilisateurs et/ou items, et plusieurs fois si besoin HP TW SW A 4 5 1 B 4,67 C 2 4,5 D 3 3 Utilisateurs Cluster de films
- 22. Institut Mines-Télécom Approches pourla recommandation par filtrage collaboratif 21/07/2015 Les systèmes de recommandations22 Approche classique : voisinage utilisateur Factorisation matricielle Exemple 3: filtrage collaboratif par factorisation matricielle SVD • Soit une matrice d’usage 𝑀 ∶ 𝑈𝑡𝑖𝑙𝑖𝑠𝑎𝑡𝑒𝑢𝑟𝑠 × 𝐼𝑡𝑒𝑚𝑠 • Factorisation matricielle 𝑆𝑉𝐷 (singular value decomposition) 𝑀 = 𝑈𝑆𝑉 𝑇 • 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′ 𝑉 𝑇 • Les items avec les plus grands scores sont recommandés à l’utilisateur Clustering Autres Il existe de nombreux autres types de factorisation matricielle
- 23. Institut Mines-Télécom Approches pourla recommandation par filtrage collaboratif 21/07/2015 Les systèmes de recommandations23 Approche classique : voisinage utilisateur Factorisation matricielle Clustering Autres De nombreuses autres approches • Règles d’association • Parcours de graphe • Modèle d’apprentissage
- 24. Institut Mines-Télécom Avantages etinconvénients des deux approches 21/07/2015 Les systèmes de recommandations24
- 25. Institut Mines-Télécom Avantages etinconvénients des deux approches 21/07/2015 Les systèmes de recommandations25 SR basé sur le contenu • Avantages ─ 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 Systèmes de recommandations basés sur le contenu SR basé sur le filtrage collaboratif
- 26. Institut Mines-Télécom21/07/2015 Lessystèmes de recommandations26 SR basé sur le contenu • 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 Systèmes de recommandations basés sur le filtrage collaboratif SR basé sur le filtrage collaboratif Avantages et inconvénients des deux approches
- 27. Institut Mines-Télécom21/07/2015 Lessystèmes de recommandations27 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
- 28. Institut Mines-Télécom Recommandation tenantcompte d’informations additionnelles 21/07/2015 Les systèmes de recommandations28
- 29. Institut Mines-Télécom De nombreusesinformations additionnelles 21/07/2015 Les systèmes de recommandations29 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
- 30. Institut Mines-Télécom De nombreusesinformations additionnelles 21/07/2015 Les systèmes de recommandations30 Sur utilisateurs/items Sur interactions U-I Informations contextuelles associées aux interactions U-I • Temps (Heure) • Météo • Humeur • Position géographique
- 31. Institut Mines-Télécom De nombreusesinformations additionnelles 21/07/2015 Les systèmes de recommandations31 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, …
- 32. Institut Mines-Télécom Approches tenantcompte d’informations additionnelles sur utilisateurs/items 21/07/2015 Les systèmes de recommandations32 Matrice U-I Voisinage utilisateur/item Informations additionnelles utilisateurs Voisinage utilisateur Voisinage item Information additionnelles items Recommandations Approches par voisinages Voisinages Modèles à facteurs latents Modèles d’apprentissage Graphes
- 33. Institut Mines-Télécom Approches tenantcompte d’informations additionnelles sur utilisateurs/items 21/07/2015 Les systèmes de recommandations33 Voisinages Modèles à facteurs latents Modèles d’apprentissage Graphes Matrice U-I Paramètres Informations additionnelles utilisateurs Informations additionnelles items Apprentissage d’un modèle prédictif basé sur les paramètres Paramètres Paramètres Recommandations Approches par modèles d’apprentissage
- 34. Institut Mines-Télécom Approches tenantcompte d’informations additionnelles sur utilisateurs/items 21/07/2015 Les systèmes de recommandations34 Voisinages Modèles d’apprentissage Graphes Approches par modèles à facteurs latents 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 Modèles à facteurs latents
- 35. Institut Mines-Télécom Approches tenantcompte d’informations additionnelles sur utilisateurs/items 21/07/2015 Les systèmes de recommandations35 Voisinages Modèles d’apprentissage Graphes Approches par graphes Modèles à facteurs latents 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
- 36. Institut Mines-Télécom21/07/2015 Lessystèmes de recommandations36 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
- 37. Institut Mines-Télécom Approches tenantcompte d’informations contextuelles liées aux interactions U-I 21/07/2015 Les systèmes de recommandations37 Dépendantes du temps « Factorization Machines » Factorisation tensorielle Graphes 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
- 38. Institut Mines-Télécom Approches tenantcompte d’informations contextuelles liées aux interactions U-I 21/07/2015 Les systèmes de recommandations38 Dépendantes du temps « Factorization Machines » Factorisation tensorielle Graphes Méthodes par factorisation tensorielle Matrice U-I Informations contextuelles liées aux interactions Tenseur Utilisateurs Items U V Modèle prédictif Recommandations
- 39. Institut Mines-Télécom Approches tenantcompte d’informations contextuelles liées aux interactions U-I 21/07/2015 Les systèmes de recommandations39 Dépendantes du temps « Factorization Machines » Factorisation tensorielle Graphes 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 Factorization machine de degré 2:
- 40. Institut Mines-Télécom Approches tenantcompte d’informations contextuelles liées aux interactions U-I 21/07/2015 Les systèmes de recommandations40 Dépendantes du temps « Factorization Machines » Factorisation tensorielle Graphes 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
- 41. Institut Mines-Télécom21/07/2015 Lessystèmes de recommandations41 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 Approches tenant compte d’informations contextuelles liées aux interactions U-I
- 42. Institut Mines-Télécom Quelques contributions 21/07/2015Les systèmes de recommandations42
- 43. Institut Mines-Télécom Recommandation delieux pour des réseaux sociaux géographiques 21/07/2015 Les systèmes de recommandations43 Informations géographiques Réseau social Réseau social de partage de lieux (Location-Based Social Network) Réseau social géographique ?
- 44. Institut Mines-Télécom Graph-based approachfor location recommendation in LBSNs using Katz Centrality 21/07/2015 Les systèmes de recommandations44 𝑪 = 𝜶𝑺 𝜷𝑭 𝜷𝑭 𝑻 𝜸𝑮Places Places Users Users F= ⋯ ⋯ ⋯ ⋮ ⋱ ⋮ ⋯ ⋯ ⋯Users Places Graphe de fréquentation (matrice d’usage) S= 0 ⋯ ⋯ ⋮ ⋱ ⋮ ⋯ ⋯ 0Users Users Graphe social Graphe géographique? Graphe considérant frequentations, social et positions géographiques (des lieux)
- 45. Institut Mines-Télécom 𝑪 = 𝜶𝑺𝜷𝑭 𝜷𝑭 𝑻 𝜸𝑮Places Places Users Users 21/07/2015 Les systèmes de recommandations45 G = 0 ⋯ ⋯ 0 ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 0 ⋯ ⋯ ⋯ ⋯ 0 ⋯ ⋯ 0 Places Places 𝑓(𝑥) = 𝑎𝑥 𝑏 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 inverselyScores are computed according to the distances between places Graph-based approach for location recommendation in LBSNs using Katz Centrality Graphe géographique
- 46. Institut Mines-Télécom21/07/2015 Lessystèmes de recommandations46 𝐾𝑎𝑡𝑧 𝐶 = 𝛽𝐶 + 𝛽2 𝐶2 + 𝛽3 𝐶3 + ⋯ converge pour 0 ≤ 𝛽 < 1 max( 𝜆 𝐶 ) max( 𝜆 𝐶 ) est la plus grande valeur propre de 𝐶 (appelé rayon spectral) 𝐾𝑎𝑡𝑧(𝐶) = ⋯ 𝐹′ ⋯ ⋯ Matrice des scores de prédiction après propagation de Katz Users Users Places Places Complexité algorithmique: 𝑂 𝑁 𝑢 × 𝑛𝑛𝑧 , avec 𝑁 𝑢, le nombre de d’utilisateurs et 𝑛𝑛𝑧, le nombre de « non-zero » dans 𝐹𝐹 𝑇 𝑘 𝐾𝑎𝑡𝑧 𝐶 12 = 𝛽 𝐹 + 𝛽2 𝑆𝐹 + 𝐹𝐺 + 𝛽3 𝑆2 𝐹 + 𝐹𝐹 𝑇 𝐹 + 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
- 47. Institut Mines-Télécom21/07/2015 Lessystèmes de recommandations47 𝐾𝑎𝑡𝑧 𝐶 12 = 𝛽 𝐹 + 𝛽2 𝑆𝐹 + 𝐹𝐺 + 𝛽3 𝑆2 𝐹 + 𝐹𝐹 𝑇 𝐹 + 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
- 48. Institut Mines-Télécom Context andsocial based recommender system using association rules 21/07/2015 Les systèmes de recommandations48 DB History Learning part Offline Recommendation part Online Association rules mining All users' past visiting sessions Rules selection DB Association Rules Rules scoringItems 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 ─ Position courante ─ Type de recommandation désiré (veut-il des recommandations évidentes ? surprenantes ? rares ? populaires ?) • Visites passées des amis
- 49. Institut Mines-Télécom Context andsocial based recommender system using association rules 21/07/2015 Les systèmes de recommandations49 Partie hors-ligne, apprentissage de règles d’association Learning part Recommendation part • Transaction : session de visites (ensemble de lieux) • Extraction de toutes les règles d’association
- 50. Institut Mines-Télécom Context andsocial based recommender system using association rules 21/07/2015 Les systèmes de recommandations50 Partie en-ligne, temps-réelle, moteur de recommandation Learning part 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 𝑀 𝑝 𝑟𝑖 = 𝑀𝑔 𝑟𝑖 𝛼𝑀𝑖 𝑟𝑖 + 1 − 𝛼 𝑀𝑠 𝑟𝑖 • 𝑴𝒊 dépend du type de recommandation désiré: Confiance, Surprise, Rareté, Popularité • 𝑴 𝐠 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. • 𝑴 𝐬 dépend des visites des utilisateurs amis. Elle met en avant les règles qui se sont vérifiées souvent chez les amis de l’utilisateur courant.
- 51. Institut Mines-Télécom Evaluation dela qualité des recommandations 21/07/2015 Les systèmes de recommandations51
- 52. Institut Mines-Télécom21/07/2015 Lessystèmes de recommandations52 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 » Evaluation de la qualité des recommandations
- 53. Institut Mines-Télécom Evaluation dela qualité des recommandations 21/07/2015 Les systèmes de recommandations53 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
- 54. Institut Mines-Télécom Quelques perspectivesdu domaine Quelles pistes pour améliorer les recommandations ? 21/07/2015 Les systèmes de recommandations54
- 55. Institut Mines-Télécom Quelques perspectivesdu domaine 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) 21/07/2015 Les systèmes de recommandations55
- 56. Institut Mines-Télécom Conclusion 21/07/2015 Lessystèmes de recommandations56
- 57. Institut Mines-Télécom Conclusion o Unsystème 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 21/07/2015 Les systèmes de recommandations57