les systèmes de recommandation

Les systèmes de recommandation

NEGRE ElsaUniversité Paris-Dauphine

[email protected]

NEGRE Elsa - Systèmes de recommandation - Lens - 25/06/2012

2/43

Plan Qu’est ce qu’un système de recommandation ? Les méthodes les plus utilisées

Filtrage collaboratif Basée sur le contenu Hybride

Quelques variations Un petit mot sur l’évaluation La recommandation en BD et OLAP Conclusion et perspectives


3/43

Un système de recommandation – Quèsaco? Un système de recommandation (RS) aide les utilisateurs qui n'ont

pas suffisamment d'expérience ou la compétence nécessaire pour évaluer le nombre, potentiellement important, d’alternatives offertes par un site (web).

Dans leur forme la plus simple les RS recommandent à leurs utilisateurs des listes personnalisées et

classées d'articles fournissent aux consommateurs des renseignements pour les

aider à décider quels articles acheter

Les articles peuvent être : musique, livres, films, …

De manière générale, on parle d’items


4/43

Définition [Hill+:CHI’95] : Soit

C : ensemble de tous les utilisateurs S : ensemble de tous les articles possibles u : fonction d’utilité d’un article s à l’utilisateur c

Alors, choisir l’article s’ non encore évalué de S qui maximise l’utilité de chaque utilisateur c de C

Un système de recommandation – Quèsaco? (2)

Problématique : estimation de scores pour des articles non encore évalués


5/43





6/43

Les méthodes les plus utilisées

[La personnalisation - Personalized recommendations]

Le filtrage collaboratif – Collaborative filtering

Les recommandations basées sur le contenu – Content-based

Les approches hybrides


7/43

Les méthodes les plus utilisées (2)

Personalized recommendations


8/43

Collaborative: "Dites-moi ce qui est populaire parmi mes pairs"



9/43

Content-based: “Montrez-moi plus que ce qui ressemble à ce que j’ai aimé"



10/43

Hybrid: combinaisons de différentes entrées et/ou composition de différents mécanismes



11/43





12/43

Filtrage collaboratif

Collaborative: "Dites-moi ce qui est populaire parmi mes pairs"


13/43

Filtrage collaboratif - Présentation

Les systèmes basés sur le filtrage collaboratif produisent des recommandations en calculant la similarité entre les préférences d’un utilisateur et celles d’autres utilisateurs

De tels systèmes ne tentent pas d’analyser ou de comprendre le contenu des items à recommander

Ils sont capables de suggérer de nouveaux items à des utilisateurs qui ont des préférences similaires à d’autres

La méthode consiste à faire des prévisions automatiques (filtrage) sur les intérêts d'un utilisateur en collectant des avis de nombreux utilisateurs (collaborateurs). L'hypothèse sous-jacente de cette approche est que ceux qui ont accepté (aimé qqch) dans le passé ont tendance à accepter (aimer qqch) de nouveau dans l'avenir.


14/43

Filtrage collaboratif - Mécanisme Idée :

Essayer de prédire l'opinion de l'utilisateur qu’il aura sur les différents items et être en mesure de recommander le «meilleur» item à chaque utilisateur en fonction de : des goûts/avis précédents de l'utilisateur et des avis d'autres utilisateurs qui lui sont semblables

Mécanisme :1. Un grand groupe de préférences d’utilisateurs sont enregistrées2. Un sous-groupe d’utilisateurs est repéré dont les préférences

sont similaires à celles de l'utilisateur qui cherche la recommandation

3. Une moyenne des préférences pour ce groupe est calculée4. La fonction de préférence qui en résulte est utilisée pour

recommander des options à l'utilisateur qui cherche la recommandation

5. La notion de similitude doit être définie d'une certaine façon


15/43

abcdHow it works

How collaborative filtering works?“People who liked this also liked”…

15

Item Item to to

ItemItem

User to User to UserUser

abcdUser-to-User

Les recommandations sont faites en trouvant des utilisateurs ayant des avis similaires. Jane et Tim aiment tous les deux l’Item 2 et détestent l’Item 3; il semble qu’ils ont des avis similaires, ce qui suggère qu’en général Jane et Tim sont du même avis. Donc, l’Item 1 est une bonne recommandation pour Tim. Cette approche n’est pas adaptée pour des millions d’utilisateurs. Item-to-Item

Les recommandations sont faites en trouvant les items qui ont le même intérêt pour plusieurs utilisateurs. Tom et Sandra aiment l’Item 1 et l’Item 4. Cela suggère que, en général, les utilisateurs qui aiment l’Item 4 aimeront aussi l’Item 1, donc l’Item 1 pourra être recommander à Tim. Cette approche s’adapte à des millions d’utilisateurs et des millions d’items.

Source : Bracha Shapira


16/43

Filtrage collaboratif – Techniques utilisées

Similarité : Pearson’s correlation coefficients between 2 users, Cosinus similarity measure SVD – Matrix Factorization

Sélection du voisinage Neighbourhood-based algorithms (kNN, …)

Rating Prediction LSA Association rules

…


17/43

Filtrage collaboratif – Avantages

Utilise des recommandations d’autres utilisateurs (score) pour évaluer l’utilité des items

l'essentiel est de trouver des utilisateurs ou groupes d'utilisateurs dont les intérêts correspondent à l'utilisateur courant

Plus il y a d’utilisateurs, plus il y a de scores : meilleurs sont les résultats


18/43

Filtrage collaboratif – Inconvénients Trouver des utilisateurs ou groupes d’utilisateurs similaires est difficile

cold start problem – démarrage à froid Nouvel utilisateur = Pas de préférences Nouvel item = Pas de score

Faible densité de la matrice utilisateur/score

Évolutivité: dans les systèmes avec un grand nombre d‘items et d'utilisateurs, le calcul croît

linéairement; des algorithmes appropriés sont nécessaires

Portfolio Effect: Non Diversity Problem Il n'est pas utile de recommander tous les films avec Antonio Banderas à un

utilisateur qui a aimé l'un d'eux dans le passé

Sécurité Privacy


19/43





20/43

Basée sur le contenu

Content-based: “Montrez-moi plus que ce qui ressemble à ce que j’ai aimé"


21/43

Basée sur le contenu – Présentation

Pour les recommandations basées sur le contenu, le système essaie de recommander des items qui correspondent au profil de l'utilisateur.

Le profil est basé sur les items que l’utilisateurs a aimé dans le passé ou sur les intérêts qu’il a explicitement définis.

Un RS basé sur le contenu fait coïncider le profil de l’item avec le profil de l’utilisateur pour décider de sa pertinence pour l’utilisateur.


22/4322

Basée sur le contenu – Exemple

Read updat

e User Profile

New books User Profile

Recommender Systems

Match

recommendation


23/43

Basée sur le contenu - Techniques

Ces systèmes utilisent le plus souvent un algorithme de “machine learning” pour obtenir un profil des préférences de l’utilisateur à partir d’exemples basés sur une description du contenu.

…


24/43

Basée sur le contenu – Avantages Recommander des items similaires à ceux que les utilisateurs ont aimé

dans le passé

Le profil des utilisateurs est la clé

Le matching entre les préférences de l'utilisateur et les caractéristiques des items fonctionne aussi pour les données textuelles

Pas besoin de données sur les autres utilisateurs.

Pas de problème de démarrage à froid ou de faible densité

Possibilité de faire des recommandations à des utilisateurs avec des goûts « uniques ».

Possibilité de recommander de nouveaux items ou même des items qui ne sont pas populaires


25/43

Basée sur le contenu – Inconvénients Tous les contenus ne peuvent pas être représentés avec des mots-clés (exemple: les

images, …)

Des items représentés par le même ensemble de mots-clés ne peuvent pas être distingués

Les utilisateurs avec des milliers d'achats/items sont un problème

Nouvel utilisateur : pas d’historique

“Over-specialization” : limitation aux items similaires

Les profils utilisateurs…

Pour produire des recommandations précises, l'utilisateur doit fournir un « feedback » sur les suggestions retournées - les utilisateurs n'aiment pas…

Entièrement basé sur les scores d’articles et de sujets d'intérêt: moins il y a de scores, plus l’ensemble de recommandations possibles est limité.

Il faut faire attention à l’évolution des intérêts de l’utilisateur et les prendre en compte

Impossible d’exploiter les jugements des autres utilisateurs


26/43





27/43

Hybride

Hybrid: combinaisons de différentes entrées et/ou composition de différents mécanismes


28/43

Hybride - Présentation

Combinaison du filtrage collaboratif et basé sur le contenu

3 approches : Monolitique Parallèle Pipeline


29/43





30/43

Quelques variations… Knowledge based RS

Utilise les informations des utilisateurs et des items L'interaction conversationnelle est utilisée pour établir les préférences des utilisateurs :

« plus comme ci », « moins comme ça », « aucun de ceux là », …

Cluster Models Crée des clusters ou des groupes Met un utilisateur dans une catégorie La classification simplifie la tâche de “matching” entre utilisateurs Plus d'évolutivité et de performances Un peu plus précis que le filtrage collaboratif classique

Graph-based method Principe de la propagation d’activité Utilise les chemins de longueur > 3 pour recommander des items


31/43





32/43

Evaluation des systèmes de recommandation Mean Absolute Error (MAE) calcule l’écart entre les

scores prédits et les scores réels.

Root Mean Square Error (RMSE) , similaire à la MAE, mais met l’accent sur les plus grands écarts

Rappel et précision

Le « rank score » est défini comme le rapport entre le score des items corrects et le meilleur score théorique réalisable pour l'utilisateur

…


33/43





34/43

Les systèmes de recommandation en BD et OLAP

Recommandations en bases de données : Etant donnés :

Un log de requêtes Une base de données Une session courante

Soit Q : ensemble de requêtes S : ensemble de sessions u : fonction d’utilité d’une requête q pour une session s

Alors choisir la requête q’ non encore évaluée de Q qui maximise l’utilité pour chaque session s de S


35/43

Les systèmes de recommandation en BD et OLAP (2)

Approches basées sur : Exploitation du profil d’utilisation

(Cuppens+:DSS’91, Jerbi+:DAWAK’09)

Analyse pilotée par la découverte (Sarawagi:VLDB’99-VLDB’00-VLDB’01, Cariou+:DAWAK’08, Giacometti+:IJDWM’09)

Exploitation du log de requêtes (Sapia:DMDW’99-DAWAK’00, Chatzopoulou+:SSDBM’09, Yang+:ICDE’09, Negre:09)


36/43

Les systèmes de recommandation en BD et OLAP (3)

Requête : {Rouge}X{Centre, Limousin}X πAnnée(Temps)X{Montant} Références :

{<Montant, Rouge, Centre, 2007>, <Montant, Rouge, Limousin, 2007> <Montant, Rouge, Centre, 2008>, <Montant, Rouge, Limousin, 2008>}

Résultats :


37/43

Exploitation du profil


38/43

Analyse pilotée par la découverte


39/43

Exploitation du log de requêtes


40/43





41/43

Conclusion Les systèmes de recommandation ont leurs racines dans de

nombreux domaines de recherche : Recherche d’information Filtrage d’information Classification de texte …

Ils utilisent des techniques issues de différents domaines : Machine learning Data mining …

Et abordent différents sujets : Algorithmes de recommandation Approches collaboratives, basées sur le contenu, hybrides, … Evaluation des RS …


42/43

Perspectives Amélioration des techniques de filtrage collaboratif

Utiliser plus de sources de données (tagging data, demographic information, and time data) Combiner des techniques …

Multicriteria recommender systems Exploiter les scores multicritères qui contiennent de l’information contextuelle, pour améliorer les

recommandations Context awareness

Prendre en compte les aspects temporel, géographiques, … Contexte émotionnel (“Je suis tombée amoureuse d’un garçon. Je veux voir un film romantique.") …

Group recommendations Améliorer les modèles d’interactions

Traitement du langage naturel, Dialog-based systems for interactive preference, and Passage des RS classiques aux “conseillers virtuels”.

Les techniques de recommandation vont fusionner avec d’autres champs de recherche User modeling Personalized reasoning …

…


43/43

Questions ?

les systèmes de recommandation

Documents