systèmes de recommandation - université de...

Université de Montréal – Février 2004

Systèmes de Recommandation

David Loup


Systèmes de recommandation

Plan

• Définition

• Motivations

• Domaine : Films

• Techniques / Approches

• Exemples

• Problèmes

• Evolution future

2/33


Définition Motivations ApprochesExemples Problèmes Evolution

Définition

• Une plateforme pour une interaction sociale

• Une manière de proposer à l’utilisateur des produitsqui sont susceptibles de l’intéresser

• Recommandation, prédiction, opinion

3/33



Motivations

• Quantité d’information disponible de plus en plus grande

• Reproduire un mécanisme de la vie de tous les jours

• Découvrir de nouveaux produits

• Pour un site marchand : améliorer les ventes

4/33



Films

• Popularité

• Diversité

• Fonctionne déjà par recommandation

5/33



Comment faire ?

• Les anciens utilisateurs peuvent remplir desquestionnaires qui vont servir aux nouveauxutilisateurs ou rédiger des commentaires

• Comparaison simple (pour les genres de films)

• Algorithmes de recherche

6/33



Approches

• Content-Based Filtering (Filtrage par contenu)

• Collaborative Filtering (Filtrage collaboratif)

• Knowledge-based systems

7/33



Content-Based Filtering

• Basé sur les objets déjà évalués/sélectionnés : Item – Item

• Basé sur le profil de l’utilisateur : User – Item

• Basé sur l’utilisation d’un modèle

8/33



Le Profil de l’utilisateur

• Critères importants

• Prise en compte

Comparaisons booléennes

Génération d’un modèle

9/33



Le Profil de l’utilisateur - Exemple

• Nom d’utilisateur : Bob• Homme, 45 ans.• Fréquente les salles de cinéma depuis 30 ans.• Genre préféré : cinéma fantastique.• Période préférée : années 1970.• Réalisateurs favoris : Dario Argento, Terence Fisher

10/33



Content-Based Filtering - Inconvénients

• Nécessite un contenu descriptif, difficile pour lesfilms

• Manque de sérendipité

• Passe facilement à côté de recommandationsintéressantes

11/33



Content-Based Filtering - Evolutions

• Utilisation du Web sémantique

• Description des données : XML, RDF

12/33



Collaborative Filtering

• Se base sur les utilisateurs jugés « similaires »

• Détermination des groupes d’utilisateurs

Méthode agrégative

Méthode centralisée

[Veletsianos, 2002]

13/33



Collaborative Filtering (suite)

• Indépendant du contenu, facteur humain (esthétique)

• Toute forme de contenu peut être concernée du momentqu’un humain peut l’apprécier

• Matrice de notation

14/33




Matrice de notation

Utilisateurs

nmnin

jmjij

mi

rrr

rrr

rrr

,,,1

,,,1

1,1,1,1

.........

Films

[Vozalis E., Margaritis K.G., 2003]

15/33




Algorithmes « Memory-Based »

• Etablir une prédiction de vote pour l’utilisateur

• Utiliser la moyenne des votes pour un utilisateur

• Définir la similarité entre utilisateurs : corrélation de Pearson,similarité de vecteurs…

[Breese, J.S., et al, 1998]

16/33



Collaborative Filtering – (suite)

• Problèmes liés au remplissage de la matrice

• Problème du premier vote

• Votes épars

• Nécessite beaucoup de votes pour pertinence

17/33




Algorithmes « Model-Based »

• Compiler le profil de l’utilisateur

• Utilisation des informations fournies implicitementou explicitement, et des votes précédents

• Application du modèle pour prédire l’opinion del’utilisateur

[Sarwar, B., et al, 2000]

18/33



Knowledge-Based Systems

• Utiliser la connaissance qu’on a de l’utilisateur etdes produits pour faire correspondre les deux

• Modèles implicites ou explicites

• Arbres de décision, CBR (Case-Based Reasoning)

[Burke, B., 2001]

19/33



Knowledge-Based Systems (suite)

Problèmes :

• Nécessite une ingénierie des connaissances importante

• Savoir quelles caractéristiques sont importantes

• Les caractéristiques doivent être accessibles

• Pour les films : toujours le problème du contenu

20/33



Systèmes Hybrides

La nature du contenu des films pousse vers lefiltrage collaboratif

Mais qui a ses défauts…

→ L’améliorer en utilisant une des deux autres approches

21/33



Systèmes Hybrides (suite)

• En utilisant deux composants indépendants

• Graphes conceptuels ([Paulson, P., et al, 2003]

22/33



Recommandation de films

• IMDB

• Movies2Go

• Recommendz

• MovieLens

23/33

IMDB(Suite)

Movies2Go

Recommendz

MovieLens



Problèmes

• Coûteux en ressources, maintenance difficile

• La vie privée

• Le feedback, la discipline des utilisateurs

• L’influence sur le comportement des utilisateurs

29/33



Evolutions Futures

• Méta systèmes de recommandation

• Privilégier le Feedback

• Créer des communautés

• Amélioration de l’interface : justification des recommandations, explications graphiques

30/33


Systèmes de recommandation

Conclusion

• Un système doit utiliser toutes les informationspossibles pour effectuer une recommandation entemps réel

• Perspectives plus larges concernant la prédiction du comportement

31/33



RéférencesVeletsianos, G. "Recommender Systems and Personalization Techniques" In CS 50 : Internet Programming 2002.

Paulson, P.; et Tzanavari, A. "Combining Collaborative and Content-Based Filtering UsingConceptual Graphs" Book chapter in: J.Lawry, J.G.Shanahan and A.Ralescu (eds.). pp. 168-185.

Burke, R. "Knowledge-based recommender systems", In Encyclopedia of Library and Information Science, 2000.

32/33



Références (suite)Sarwar, B.M.; Karypis, G.; Konstan, J.A.; et Riedl, J.T.“Analysis of recommendation algorithms for ecommerce,”In Electronic Commerce, 2000.

Breese, J.S.; Heckerman, D.; et Kadie, C., "Empirical Analysis of Predictive Algorithms for Collaborative Filtering" In Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence, Madison WI, July 1998

Vozalis E., et Margaritis K.G., "Analysis of Recommender Systems Algorithms" in HERCMA-2003, September 2003, Athens, Greece.

33/33

systèmes de recommandation - université de...

Documents