Recommender system: algorithms and application to the KeeSeek platform

Système de recommandation : algorithmes et application à la plateforme KeeSeeK

Vidal Agniel (1) , Frédéric Bertrand (2, 3) , Emmanuelle Claeys (4) , Alexandre Delyon (5, 2) , Myriam Maumy-Bertrand (2, 3) , Titin Agustin Nengsih (2, 4)

1 LPP - Laboratoire Paul Painlevé - UMR 8524
2 IRMA - Institut de Recherche Mathématique Avancée
3 Labex_IRMIA - Institut de Recherche en Mathématiques, Interactions et Applications
4 ICube - Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie
5 IECL - Institut Élie Cartan de Lorraine

This article summarizes the progress of the project proposed by the Kee-SeeK company as part of the "SEME" organized in November 2018 at Strasbourg. This project focuses on the recommendation of job offers in a web search engine. We place ourselves in the case where the search engine must propose job offers likely to maximize the clicks of the candidates. These offers have been pre-selected and the user (with the help of the search engine) wants to improve this selection. To tackle this problem, we proposed a revised version of a Thompson-Sampling algorithm when the number of available job offers is high (∼ 100).

Cet article résume le déroulement du projet proposé par la société KeeSeeK dans le cadre de la Semaine d'Étude Maths-Entreprises (SEME) de Strasbourg organisée en novembre 2018. Ce projet porte sur la recommandation d'offres d'emploi dans un mo-teur de recherche en ligne. Nous nous plaçons dans le cas où le moteur de recherche doit proposer des offres d'emploi susceptibles de maximiser les clics des candidats. Ces offres ont été préalablement sélectionnées et l'utilisateur (possédant le moteur de recherche) sou-haite améliorer sa sélection. Pour s'intéresser à ce problème, nous avons proposé une version revisitée d'un algorithme d'apprentissage par renforcement (Thompson-sampling) lorsque le nombre d'offres d'emploi disponibles est important (∼ 100).

Mots clés: evaluation on real data; Partial pooling; Dynamic allocation; recommender systems; multi-armed bandit

Mots clés: Allocation dynamique; Bandit manchot multi bras; Système de recommandation; Données réelles (evaluation on real data)

Domaines: Statistiques [math.ST]; Applications [stat.AP]; Machine Learning [stat.ML]

Vidal Agniel, Frédéric Bertrand, Emmanuelle Claeys, Alexandre Delyon, Myriam Maumy-Bertrand, et al.. Système de recommandation : algorithmes et application à la plateforme KeeSeeK. [Rapport de recherche] Université de Strasbourg, IRMA UMR 7501. 2019. ⟨hal-02099301⟩