Probabilistic Relational Models for Customer Preference Modelling and Recommendation

Résumé : De nos jours, les systèmes de recommandation sont utilisés dans de nombreux domaines avec pour objectif d'aider les utilisateurs à découvrir des produits/items intéressants parmi un volume important d'informations en ligne. Alors que les approches de recommandation traditionnelles traitent le cas de relations simples entre utilisateurs et items, les données réelles sont généralement conceptualisées en terme d'objets et de relations entre objets. Les modèles relationnels probabilistes (PRM) [9] ont pour but de faire la passerelle en proposant des modèles probabilistes a partir de données relationnelles. Dans ce travail, nous présentons une adaptation du cadre de recommandation \uni e" propos e initialement par Huang et al. [15] qui utilise le concept des PRM et construit un classifieur de Bayes naïf pour effectuer la recommandation. Nous nous proposons d'utiliser ce modèle dans un contexte de démarrage a froid" o u les utilisateurs ou les items sont nouveaux dans le système, ou même lorsque le système se construit. Nous appliquons cela aux données MovieLens et montrons que ce modèle est capable de faire de bonnes recommandations a des nouveaux utilisateurs, mêeme s'il est trop simple pour la recommandation a des utilisateurs existants.
Type de document :
Rapport
[Research Report] Laboratoire d'Informatique de Nantes Atlantique. 2013
Liste complète des métadonnées

Littérature citée [28 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-00967044
Contributeur : Philippe Leray <>
Soumis le : jeudi 27 mars 2014 - 17:36:33
Dernière modification le : lundi 23 octobre 2017 - 17:44:01
Document(s) archivé(s) le : vendredi 27 juin 2014 - 13:05:33

Fichier

RecSysPRM_TechnicalReport.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00967044, version 1

Collections

Citation

Rajani Chulyadyo, Philippe Leray. Probabilistic Relational Models for Customer Preference Modelling and Recommendation. [Research Report] Laboratoire d'Informatique de Nantes Atlantique. 2013. 〈hal-00967044〉

Partager

Métriques

Consultations de la notice

260

Téléchargements de fichiers

683