Filtrage collaboratif (Système de recommandation) Ex: amazon.com
Recommandation (usagers similaires) user/item item1 item2 item3 item4 item5 sim2 User1 X 2/3 user2 --- user3 user4 1/3 user5 user/item item1 item2 item3 item4 item5 User1 2/3 user2 user3 user4 1/3 user5 sum 4/3 3/3 * Ne tient pas compte de la similarité inverse (mélange des genres)
Type de recomandations Suggestion générale Suggestion par rapport à un article
N usager > N articles ? C'est en général le cas. ->Trouver les articles similaires
Recommandation (items similaires) user/item item1 item2 item3 item4 item5 User1 X user2 user3 user4 user5 Sim 2 1/3 2/3 user/item item1 item2 item3 item4 item5 User1 1/3 2/3 user2 user3 user4 user5 4/3
“Cold start” Comment pouvons-nous recommander des nouveaux livres si personne ne les a lu? Similarité → Distance
Exemple Système de Recommandation musicale Caractéristiques MFCC etc. (Distance) Apprendre espace par contrainte supervisé (DoubleV3)
Information: Appréciation Pour augmenter la pertinence de recommandation, on ajoute de l'information sur l'appréciation (ex: 0-5 étoiles) Avoir acheté un livre ne veut pas dire qu'on l'a aimé L'appréciation n'est pas la même pour tous et varie en fonction du temps (ex: netflix)