Séminaires


Retour à la liste de tous les séminaires


Apprentissage et factorisation matricielle pour la recommandation.

Le : 14/03/2016 11h00
Par : Stéphane Canu
Lieu : I 103
Lien web :
Résumé : De nombreux sites de l’internet proposent aujourd’hui des conseils personnalisés élaborés par un système de recommandation, un ensemble de logiciels et de méthodes permettant de suggérer automatiquement des articles pouvant être utiles à un utilisateur. L’arrivée des réseaux sociaux en ligne a ajouté une nouvelle dimension à la recommandation, dans laquelle la structure du graphe social peut être utilisée comme source d’informations. Cette présentation constitue un état de l’art de méthodes de recommandation orientées modèle, que sont les méthodes de factorisation dont l’intérêt a été démontré lors du challenge Netflix. Il présente également un travail montrant une approche qui prend en compte le réseau social et qui réalise de la prédiction sur des données d’appréciation implicite (implicit feedback). Nous avons testé ce modèle sur des données réelles volumineuses et observé l’amélioration des performances obtenues par d’autres méthodes de l’état de l’art. Le problème de la sélection de modèle dans ce cadre sera aussi abordé publications associées : Socially Enabled Preference Learning from Implicit Feedback Data J Delporte, A Karatzoglou, T Matuszczyk and S Canu - ECML 2013 (best student paper) Apprentissage et Factorisation pour la Recommandation J Delporte, S Canu, A Karatzoglou, vol. RNTI-A-6, pp.1-26 Auteurs : Julien Delporte & Stéphane Canu