Apprentissage séquentiel de préférence utilisateurs pour les systèmes de recommandation - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2021

Apprentissage séquentiel de préférence utilisateurs pour les systèmes de recommandation

Résumé

Dans cet article, nous présentons une stratégie séquentielle pour l'apprentissage de systèmes de recommandationà grandeéchelle sur la base d'une rétroaction implicite, principalement sous la forme de clics. L'approche proposée consisteà minimiser l'erreur d'ordonnacement sur les blocs de produits consécutifs constitués d'une séquence de produits non cliqués suivie d'un produit cliqué pour chaque utilisateur. Afin d'éviter de mettreà jour les paramètres du modèle sur un nombre anormalementélevé de clics (principalement dus aux bots), nous introduisons un seuil supérieur et un seuil inférieur sur le nombre de misesà jour des paramètres pour chaque utilisateur. Ces seuils sont estimés sur la distribution du nombre de blocs dans l'ensemble d'apprentissage. Nous proposons une analyse de convergence de l'algorithme et démontrons empiriquement son efficacité sur six collections,à la fois en ce qui concerne les différentes mesures de performance et le temps de calcul.
Fichier principal
Vignette du fichier
CAp_Burashnikova.pdf (291.29 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03266139 , version 1 (21-06-2021)

Identifiants

  • HAL Id : hal-03266139 , version 1

Citer

Aleksandra Burashnikova, Yury Maximov, Marianne Clausel, Charlotte Laclau, Franck Iutzeler, et al.. Apprentissage séquentiel de préférence utilisateurs pour les systèmes de recommandation. CAp 2021 - Conférence sur l'Apprentissage Automatique, Jun 2021, Saint-Etienne / Virtual, France. ⟨hal-03266139⟩
64 Consultations
58 Téléchargements

Partager

Gmail Facebook X LinkedIn More