Graphs based recommendation enriched with latent information from matrix factorization
Graphes de recommandation enrichis par des informations latentes issues de la factorisation matricielle
Résumé
Top-N recommendation systems are important because they influence user choices on a daily basis on streaming and e-commerce platforms. Recommendation graphs are one of the commonly used approaches for computing top-N recommendations, as they are intuitive and interpretable. The idea is to build a graph from explicit data of users' actions on products, and then apply a random walk algorithm like PageRank to it to propose recommendations. However, implicit data that are not directly perceptible in the history of users' actions, such as latent data resulting from matrix factorization, are not exploited in recommendation graphs. Indeed, at the end of a matrix factorization, users and products are represented in a new space defined by the latent factors, in which a user and an item are close if the item is of the user's taste. In this paper, we propose to exploit the latent information resulting from matrix factorization to enrich recommendation graphs. Experiments are performed on six datasets, using three metrics for evaluating top-N recommendations: Precision, MAP and Hit-ratio. Our results show that the graphs enriched with latent information are better in 97% of the cases compared to the initial graph. The performance improvement can go up to at least 33%, depending on the dataset.
Les systèmes de recommandation top-N sont importants car ils influencent quotidiennement les choix des utilisateurs des plateformes notamment celles de streaming et de commerce électronique. Les graphes de recommandation sont l'une des approches couramment utilisées pour le calcul des recommandations top-N, car ces derniers sont intuitifs et interprétables. Le principe est de construire un graphe à partir des données explicites des actions des utilisateurs sur les produits, puis d'y appliquer un algorithme de marche aléatoire comme le PageRank pour proposer des recommandations. Cependant, les données implicites qui ne sont pas directement perceptibles dans l'historique des actions des utilisateurs à l'exemple des données latentes résultantes de la factorisation matricielle ne sont pas exploitées dans les graphes de recommandation. En effet, à l'issue d'une factorisation matricielle les utilisateurs et les produits sont représentés dans un nouvel espace défini par les facteurs latents, dans lequel un utilisateur et un item sont proches si l'item est du goût de l'utilisateur. Dans cet article, nous proposons d'exploiter les informations latentes résultantes de la factorisation matricielle pour enrichir les graphes de recommandation. Des expérimentations sont effectuées sur six jeux de données, en utilisant trois métriques d'évaluation des recommandations top-N : Précision, MAP et Hit-ratio. Nos résultats montrent que les graphes enrichis par les informations latentes sont meilleurs dans 97% des cas comparé au graphe initial. L'amélioration des performances peut aller jusqu'à 33% au moins, selon le jeu de données.
Fichier principal
Graphes_de_recommandation_enrichis_par_des_informations_latentes_issues_de_la_factorisation_matricielle.pdf (1.35 Mo)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|