Time and content aware implicit social influence estimation to enhance trust-based recommender systems.
Prise en compte du temps et des catégories d'item dans l'estimation des influences sociales implicites pour l’amélioration des systèmes de recommandation basés sur la confiance.
Résumé
Nowadays, e-commerce sites such as Amazon, streaming platforms such as Netflix and YouTube, and social networks such as Facebook and Instagram play an important role in our daily lives. However, with the ever-increasing addition of items (products on Amazon, videos on Netflix and YouTube, posts on Facebook and Instagram) on these platforms, it is becoming difficult for users to manually select the items that interest them, hence the implementation of recommender systems whose main objective is to provide a list of items from among millions that best match users' preferences. To improve the performance of these recommender systems, some works in the literature incorporate explicit or implicit trust between platform users through trust-based recommender systems. Indeed, a large number of studies are based on explicit trust relationships entered into the platform by users. However, this information is not available on most digital platforms, as on one platform out of ten, users are willing and even able to provide such information. What's more, the studies that incorporate implicit trust do not take account of time, let alone the categories of items to be recommended, in the process of estimating implicit trust. And yet, the fact that a user $u_1$ replicates the behaviour of another user $u_2$ over time for all or certain categories of items is proof of the influence of $u_2$ on $u_1$. In this thesis, we are working on estimating implicit social influences extracted from the history of users' actions on items, which are a much more frequent source of information on digital platforms. In addition, we propose to take into account the time and categories of items in the process of estimating implicit social influences, which was not done in previous work in the state of the art. Once the new implicit temporal and categorical social influences have been estimated, we integrate them into graph, K-nearest neighbour (KNN) and matrix factorisation recommender systems, following the principles of trust-based recommendation systems. Experiments carried out on the Epinions and Ciao datasets show that taking account of the temporal aspect and item categories in the estimation of implicit social influences contributes significantly to improving the performance of these recommender systems.
De nos jours, les sites de commerce électronique comme Amazon, les plateformes de streaming comme Netflix, YouTube et les réseaux sociaux comme Facebook et Instagram jouent un rôle important dans notre vie quotidienne. Cependant, avec l'ajout sans cesse croissant d'items (produits sur Amazon, vidéos sur Netflix et YouTube, posts sur Facebook et Instagram) sur ces plateformes, il devient difficile pour les utilisateurs de sélectionner manuellement les items qui les intéressent, d'où la mise en œuvre de systèmes de recommandation dont le principal objectif est de fournir une liste d'items parmi des millions qui correspondent au mieux aux préférences des utilisateurs. Pour améliorer les performances de ces systèmes de recommandation, certains travaux de la littérature intègrent la confiance explicite ou implicite entre les utilisateurs de la plateforme au travers des systèmes de recommandation basés sur la confiance. En effet, un grand nombre de travaux se base sur des relations de confiance explicites renseignés par les utilisateurs dans la plateforme. Or, ces informations ne sont pas disponibles dans la plupart des plateformes digitales car sur une plateforme sur dix, les utilisateurs ont la volonté et même la possibilité de fournir de telles informations. En outre, les travaux qui intègrent la confiance implicite ne tiennent pas compte du temps et encore moins des catégories d'items à recommander dans le processus d'estimation de la confiance implicite. Et pourtant, le fait qu'un utilisateur $u_1$ réplique le comportement d'un autre utilisateur $u_2$ dans le temps pour toutes ou pour certaines catégories d'items, est la preuve de l'influence de $u_2$ sur $u_1$. Dans ce mémoire, nous travaillons sur l'estimation des influences sociales implicites extraites de l'historique des actions des utilisateurs sur les items qui sont une source d'information beaucoup plus fréquente dans les plateformes digitales. Par ailleurs, nous proposons de prendre en compte le temps et les catégories des items dans le processus d'estimation des influences sociales implicites, ce qui n'était pas fait dans les travaux antérieurs de l'état de l'art. Une fois les nouvelles influences sociales implicites temporelles et catégorielles estimées, nous les intégrons aux systèmes de recommandation de types Graphe, K-plus proches voisins (KNN) et Factorisation Matricielle suivant les principes des systèmes de recommandation basés sur la confiance. Les expérimentations menées sur les jeux de données Epinions et Ciao montrent que la prise en compte de l'aspect temporel et des catégories d'items dans l'estimation des influences sociales implicites contribue significativement à l'amélioration des performances de ces systèmes de recommandation.
Domaines
Informatique [cs]
Fichier principal
Time and content aware implicit social influence estimation to enhance trust-based recommender systems.pdf (901.49 Ko)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
