Modélisation et contrôle de la diversité dans les systèmes de recommandation au cours du temps - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Mémoires D'étudiants -- Hal-Inria+ Année : 2014

Modélisation et contrôle de la diversité dans les systèmes de recommandation au cours du temps

Amaury L'Huillier
  • Fonction : Auteur
  • PersonId : 961104

Résumé

La quantité d'information disponible sur le web et les services informatiques associés ne cessent d'augmenter. De ce fait, il devient difficile pour les utilisateurs de trouver ce qu'ils cherchent. Certains assistants intelligents, tels que les systèmes de recommandation, ont donc été mis au point dans le but de filtrer l'information afin de proposer aux utilisateurs les items les plus pertinents par rapport à leurs besoins. \\ Les systèmes de recommandation peuvent utiliser des approches différentes en fonction du domaine dans lequel ils sont utilisés (e-commerce, recherche documentaire, service musical ou vidéo...). Cependant, un dénominateur commun existe pour évaluer toutes ces approches : l'évaluation de la précision des recommandations. Ainsi, un système de recommandation sera jugé performant s'il est capable de proposer à un utilisateur un item que ce dernier est susceptible d'apprécier. Pourtant, un item peut être apprécié dans l'absolu mais peut ne pas convenir si ce dernier n'est pas proposé au bon moment, dans le bon contexte ou de la bonne manière. A titre d'exemple, de récentes études ont démontré qu'il est indispensable de prendre en compte les facteurs humains dans les recommandations et qu'une différence de précision entre deux algorithmes de recommandation n'est pas toujours perçue par les utilisateurs [Jones, 2010]. Parmi les facteurs humains existants, le besoin en diversité est l'un des facteurs dont l'importance a récemment été démontrée. Dans le cadre d'un site de e-commerce, [Castagnos, 2010] proposent un modèle permettant de maximiser la satisfaction de l'utilisateur courant en injectant de la diversité en début et en fin de session. Cependant, les systèmes actuels ne sont pas capables d'anticiper les fins de sessions et ils ne savent donc pas quand proposer de la diversité. Par ailleurs, proposer des recommandations trop diverses au mauvais moment peut provoquer une méfiance de la part des utilisateurs envers le système [Castagnos, 2013]. Ainsi, afin de mieux satisfaire le besoin en diversité des utilisateurs, nous avons conçu le premier modèle permettant de modéliser l'évolution de la diversité au cours du temps. Ce modèle peut être utilisé afin de détecter des événements représentatifs du comportement des utilisateurs. L'événement principalement détecté est le changement de contexte, tant que la diversité des items consultés par un utilisateur n'évolue pas ou peu, nous considérons que l'utilisateur se trouve dans un seul et même contexte. A l'inverse, un fort apport en diversité au cours d'une séquence de consultation sera considéré comme un changement de contexte. En nous appuyant sur le fait que la diversité est plus importante en début et en fin de session, nous avons posé l'hypothèse selon laquelle les changements de contexte détectés peuvent en partie être expliqués par le passage d'une session à une autre. Pour autant, le contexte n'est pas invariant au sein d'une même session : il peut exister plusieurs contextes dans une même session qui sont également détectés par notre modèle. Au final, notre modèle peut être utilisé afin de modéliser la diversité, prédire, anticiper et expliquer le comportement des utilisateurs. Nous avons validé la stabilité de notre modèle sur la base d'un corpus musical comportant plus de 200.000 écoutes et nous avons démontré qu'il peut être paramétré afin de privilégier la détection de certains événements en particulier. Nous envisageons par la suite d'utiliser nos travaux dans le but d'adapter la diversité des recommandations en fonction du besoin en diversité qui peut à présent être déterminé grâce à notre modèle.
Fichier principal
Vignette du fichier
Rapport.pdf (2.5 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01078276 , version 1 (30-10-2014)

Licence

Copyright (Tous droits réservés)

Identifiants

  • HAL Id : hal-01078276 , version 1

Citer

Amaury L'Huillier. Modélisation et contrôle de la diversité dans les systèmes de recommandation au cours du temps. Intelligence artificielle [cs.AI]. 2014. ⟨hal-01078276⟩
68 Consultations
78 Téléchargements

Partager

Gmail Facebook X LinkedIn More