Skip to Main content Skip to Navigation
Journal articles

RNN & modèle d’attention pour l’apprentissage de profils textuels personnalisés

Résumé : Nous nous intéressons dans cet article à la construction de profils issus à la fois des données d’interaction des utilisateurs (notes sur les produits) et des données textuelles associées (revues). L’enjeu est de s’éloigner des approches de factorisation matricielle pour mieux exploiter les données textuelles. Nous proposons de personnaliser une architecture de réseau de neurones hiérarchique dédiée à la classification de sentiments en apprenant des paramètres d’attention spécifiques pour les différents utilisateurs. Nous démontrons ensuite l’intérêt de ces paramètres pour établir des profils de recommandation pertinents. Non seulement les prédictions proposées par notre système dépassent les performances des systèmes de factorisation matricielle, mais le fait de travailler dans un espace latent textuel nous permet en plus de proposer des explications autour des recommandations pour sortir des boîtes noires habituelles du filtrage collaboratif.
Document type :
Journal articles
Complete list of metadatas

https://hal.archives-ouvertes.fr/hal-02503470
Contributor : Vincent Guigue <>
Submitted on : Tuesday, March 10, 2020 - 9:03:24 AM
Last modification on : Friday, March 27, 2020 - 6:26:04 PM

Identifiers

Citation

Charles-Emmanuel Dias, Clara Gabriac, Vincent Guigue, Patrick Gallinari. RNN & modèle d’attention pour l’apprentissage de profils textuels personnalisés. Document Numérique, Lavoisier, 2019, 22 (3), pp.9-27. ⟨10.3166/dn.22.3.9-27⟩. ⟨hal-02503470⟩

Share

Metrics

Record views

23