Recommender system taking into account the availability forecast of product categories
Système de recommandation avec prise en compte de la prévision de disponibilité des catégories de produits
Résumé
Recommending suitable products to users is crucial in e-commerce and streaming platforms. In some situations, a customer has a preference for a product based on the product features and the current temporal context. It is therefore wise to take these aspects into account in order to improve the quality of the recommendations. In this paper, we propose recommender systems based on the availability prediction of product categories according to the temporal context. Indeed, we adapt a technique initially developed for the clouds of voluntary machines for the prediction of the availabilities of the resources. Depending on the predictions obtained, the ranking of Top-N recommendations proposed by the initial recommendation system is updated. Products with predicted available categories are favored. In addition, we propose a algorithm which makes it possible to select the appropriate temporal context to take into account the availability of product categories. Experiments are carried out on four datasets and comparisons are made on the results of three basic recommender systems with and without integration of availability forecasts, according to the Hit-ratio, MAP and F1-score evaluation metrics. We note that in 75% of cases, to have the best performance, it is necessary to integrate the availabilities prediction of the categories. This gain can even go to more than 12% regardless of the dataset. All this confirms the relevance of our contribution.
Recommander des articles appropriés aux utilisateurs est crucial dans les plateformes de commerce électronique et de streaming. Dans certaines situations, un client a une préférence pour un produit en fonction des caractéristiques du produit et du contexte temporel courant. Il est donc judicieux de prendre en compte ces aspects afin d'améliorer la qualité des recommandations. Dans cet article, nous proposons des systèmes de recommandation basés sur la prédiction de disponibilité des catégories des produits en fonction du contexte temporel. En effet, nous adaptons une technique initialement développée pour les clouds de machines volontaires pour la prédiction des disponibilités des ressources. En fonction des prévisions obtenues, le classement des recommandations Top-N proposé par le système de recommandation initial est mis à jour. Les produits aux catégories prédites disponibles sont favorisés. Par ailleurs, nous proposons une procédure qui permet de sélectionner le contexte temporel adéquat pour prise en compte de la disponibilité des catégories des produits. Des expérimentations sont menées sur quatre jeux de données et des comparaisons sont effectuées sur les résultats de trois systèmes de recommandation de base avec et sans intégration des prévisions de disponibilités, suivant les métriques d'évaluation Hit-ratio, MAP et F1-score. On constate que dans 75% des cas, pour avoir la meilleure performance, il est nécessaire d'intégrer la prédiction des disponibilités des catégories. Ce gain peut même aller à plus de 12% quelque soit le jeu de données. Tout ceci confirme la pertinence de notre contribution.
Fichier principal
nzekon-hamza-preprint-ARIMA-2022--010322-01h00.pdf (1.2 Mo)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|