Systèmes de Recommandation

David Loup

Université de Montréal – Février 2004

 Systèmes de recommandation

Plan

• Définition
• Motivations
• Domaine : Films
• Techniques / Approches
• Exemples
• Problèmes
• Evolution future

Université de Montréal – Février 2004 2/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Définition

• Une plateforme pour une interaction sociale

• Une manière de proposer à l’utilisateur des produits

qui sont susceptibles de l’intéresser

• Recommandation, prédiction, opinion

Université de Montréal – Février 2004 3/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Motivations

• Quantité d’information disponible de plus en plus grande

• Reproduire un mécanisme de la vie de tous les jours

• Découvrir de nouveaux produits

• Pour un site marchand : améliorer les ventes

Université de Montréal – Février 2004 4/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Films

• Popularité

• Diversité

• Fonctionne déjà par recommandation

Université de Montréal – Février 2004 5/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Comment faire ?

• Les anciens utilisateurs peuvent remplir des

questionnaires qui vont servir aux nouveaux
utilisateurs ou rédiger des commentaires

• Comparaison simple (pour les genres de films)

• Algorithmes de recherche

Université de Montréal – Février 2004 6/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Approches

• Content-Based Filtering (Filtrage par contenu)

• Collaborative Filtering (Filtrage collaboratif)

• Knowledge-based systems

Université de Montréal – Février 2004 7/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Content-Based Filtering

• Basé sur les objets déjà évalués/sélectionnés : Item – Item

• Basé sur le profil de l’utilisateur : User – Item

• Basé sur l’utilisation d’un modèle

Université de Montréal – Février 2004 8/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Le Profil de l’utilisateur

• Critères importants

• Prise en compte

¾ Comparaisons booléennes

¾ Génération d’un modèle

Université de Montréal – Février 2004 9/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Le Profil de l’utilisateur - Exemple

• Nom d’utilisateur : Bob

• Homme, 45 ans.
• Fréquente les salles de cinéma depuis 30 ans.
• Genre préféré : cinéma fantastique.
• Période préférée : années 1970.
• Réalisateurs favoris : Dario Argento, Terence Fisher

Université de Montréal – Février 2004 10/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Content-Based Filtering - Inconvénients

• Nécessite un contenu descriptif, difficile pour les

films

• Manque de sérendipité

• Passe facilement à côté de recommandations

intéressantes

Université de Montréal – Février 2004 11/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Content-Based Filtering - Evolutions

• Utilisation du Web sémantique

• Description des données : XML, RDF

Université de Montréal – Février 2004 12/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Collaborative Filtering

• Se base sur les utilisateurs jugés « similaires »

• Détermination des groupes d’utilisateurs

¾ Méthode agrégative

¾ Méthode centralisée

[Veletsianos, 2002]

Université de Montréal – Février 2004 13/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Collaborative Filtering (suite)

• Indépendant du contenu, facteur humain (esthétique)

• Toute forme de contenu peut être concernée du moment

qu’un humain peut l’apprécier

• Matrice de notation

Université de Montréal – Février 2004 14/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Collaborative Filtering (suite)

Matrice de notation

Utilisateurs
r1,1 ... ri ,1 ... rm ,1
...
Films r1, j ri , j rm , j

r1,n ri ,n rm ,n

[Vozalis E., Margaritis K.G., 2003]

Université de Montréal – Février 2004 15/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Collaborative Filtering (suite)

Algorithmes « Memory-Based »

• Etablir une prédiction de vote pour l’utilisateur

• Utiliser la moyenne des votes pour un utilisateur

• Définir la similarité entre utilisateurs : corrélation de Pearson,

similarité de vecteurs…

[Breese, J.S., et al, 1998]

Université de Montréal – Février 2004 16/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Collaborative Filtering – (suite)

• Problèmes liés au remplissage de la matrice

• Problème du premier vote

• Votes épars

• Nécessite beaucoup de votes pour pertinence

Université de Montréal – Février 2004 17/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Collaborative Filtering (suite)

Algorithmes « Model-Based »

• Compiler le profil de l’utilisateur

• Utilisation des informations fournies implicitement

ou explicitement, et des votes précédents

• Application du modèle pour prédire l’opinion de

l’utilisateur
[Sarwar, B., et al, 2000]

Université de Montréal – Février 2004 18/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Knowledge-Based Systems

• Utiliser la connaissance qu’on a de l’utilisateur et

des produits pour faire correspondre les deux

• Modèles implicites ou explicites

• Arbres de décision, CBR (Case-Based Reasoning)

[Burke, B., 2001]

Université de Montréal – Février 2004 19/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Knowledge-Based Systems (suite)

Problèmes :

• Nécessite une ingénierie des connaissances importante

• Savoir quelles caractéristiques sont importantes

• Les caractéristiques doivent être accessibles

• Pour les films : toujours le problème du contenu

Université de Montréal – Février 2004 20/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Systèmes Hybrides

La nature du contenu des films pousse vers le

filtrage collaboratif

Mais qui a ses défauts…

→ L’améliorer en utilisant une des deux autres approches

Université de Montréal – Février 2004 21/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Systèmes Hybrides (suite)

• En utilisant deux composants indépendants

• Graphes conceptuels ([Paulson, P., et al, 2003]

Université de Montréal – Février 2004 22/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Recommandation de films

• IMDB

• Movies2Go

• Recommendz

• MovieLens

Université de Montréal – Février 2004 23/33

IMDB
IMDB
(Suite)
Movies2Go
Recommendz
MovieLens
 Définition Motivations Approches
Exemples Problèmes Evolution

Problèmes

• Coûteux en ressources, maintenance difficile

• La vie privée

• Le feedback, la discipline des utilisateurs

• L’influence sur le comportement des utilisateurs

Université de Montréal – Février 2004 29/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Evolutions Futures

• Méta systèmes de recommandation

• Privilégier le Feedback

• Créer des communautés

• Amélioration de l’interface : justification des

recommandations, explications graphiques

Université de Montréal – Février 2004 30/33

 Systèmes de recommandation

Conclusion
• Un système doit utiliser toutes les informations
possibles pour effectuer une recommandation en
temps réel

• Perspectives plus larges concernant la prédiction

du comportement

Université de Montréal – Février 2004 31/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Références
Veletsianos, G.
"Recommender Systems and Personalization Techniques"
In CS 50 : Internet Programming 2002.

Paulson, P.; et Tzanavari, A.

"Combining Collaborative and Content-Based Filtering Using
Conceptual Graphs"
Book chapter in: J.Lawry, J.G.Shanahan and A.Ralescu (eds.).
pp. 168-185.

Burke, R.
"Knowledge-based recommender systems",
In Encyclopedia of Library and Information Science, 2000.

Université de Montréal – Février 2004 32/33

 Définition Motivations Approches
Exemples Problèmes Evolution

Références (suite)
Sarwar, B.M.; Karypis, G.; Konstan, J.A.; et Riedl, J.T.
“Analysis of recommendation algorithms for ecommerce,”
In Electronic Commerce, 2000.

Breese, J.S.; Heckerman, D.; et Kadie, C.,

"Empirical Analysis of Predictive Algorithms for Collaborative
Filtering"
In Proceedings of the Fourteenth Conference on Uncertainty in
Artificial Intelligence, Madison WI, July 1998

Vozalis E., et Margaritis K.G.,

"Analysis of Recommender Systems Algorithms"
in HERCMA-2003, September 2003, Athens, Greece.

Université de Montréal – Février 2004 33/33