Filtrage collaboratif

Le filtrage collaboratif recommande des éléments en exploitant les schémas comportementaux de nombreux utilisateurs, suggérant des éléments que des utilisateurs aux goûts similaires ont préférés.

Definition

Le filtrage collaboratif prédit la préférence d'un utilisateur pour un élément à partir du modèle de préférences exprimé par de nombreux utilisateurs sur de nombreux éléments, en utilisant soit la similarité entre les utilisateurs ou les éléments (méthodes de voisinage), soit des facteurs latents appris qui reconstruisent la matrice utilisateur-élément (méthodes basées sur des modèles).

Scope

Ce sujet couvre la recommandation à partir de la matrice d'interaction utilisateur-élément sans contenu d'élément : les méthodes de voisinage (basées sur la mémoire) utilisant la similarité utilisateur-utilisateur et élément-élément, et les méthodes basées sur des modèles, en particulier la factorisation matricielle en facteurs latents d'utilisateur et d'élément. Il aborde les mesures de similarité, la gestion de la rareté et de l'évolutivité, le feedback implicite et la limitation du démarrage à froid. Il traite du paradigme collaboratif central, laissant les extensions hybrides et sensibles au contexte ainsi que l'évaluation à des sujets adjacents.

Core questions

• Comment les méthodes de voisinage utilisent-elles la similarité utilisateur-utilisateur ou élément-élément pour prédire les préférences ?
• Comment la factorisation matricielle apprend-elle les facteurs latents pour les utilisateurs et les éléments ?
• Comment la rareté et l'évolutivité de la matrice utilisateur-élément sont-elles gérées ?
• Comment le feedback implicite, tel que les clics ou les achats, est-il incorporé ?
• Pourquoi le filtrage collaboratif rencontre-t-il des difficultés dans les situations de démarrage à froid ?

Key concepts

• matrice d'interaction utilisateur-élément
• similarité utilisateur-utilisateur et élément-élément
• méthodes de voisinage (basées sur la mémoire)
• factorisation matricielle
• facteurs latents
• rareté des données
• feedback implicite
• problème du démarrage à froid

Key theories

Filtrage collaboratif basé sur le voisinage

Les prédictions sont formées à partir des évaluations d'utilisateurs similaires ou d'éléments similaires, les variantes basées sur les éléments étant souvent plus stables et évolutives car les similarités élément-élément changent lentement et peuvent être précalculées.

Modèles à facteurs latents par factorisation matricielle

La factorisation de la matrice utilisateur-élément éparse en vecteurs de facteurs utilisateur et élément de faible dimension, dont les produits scalaires estiment les préférences, capture les dimensions latentes des goûts et surpasse généralement les méthodes de voisinage, comme l'a souligné le prix Netflix.

Clinical relevance

Le filtrage collaboratif est le moteur principal de la recommandation à grande échelle dans le commerce électronique, le streaming et les plateformes sociales, où des données d'interaction abondantes permettent aux systèmes de présenter des éléments pertinents à travers des catalogues diversifiés. Les idées de factorisation matricielle et de facteurs latents sous-tendent une grande partie de la recommandation moderne, y compris les systèmes de recommandation neuronaux.

History

Le filtrage collaboratif a vu le jour au milieu des années 1990 avec des systèmes tels que GroupLens pour les actualités Usenet. Les algorithmes basés sur les éléments de Sarwar et ses collègues en 2001 ont amélioré l'évolutivité, et le prix Netflix (2006-2009) a propulsé les méthodes de factorisation matricielle, résumées par Koren, Bell et Volinsky, au premier plan. Les modèles à facteurs latents restent fondamentaux pour les systèmes de recommandation contemporains.

Key figures

• Joseph Konstan
• John Riedl
• Yehuda Koren
• George Karypis
• Badrul Sarwar

Seminal works

• sarwar2001
• koren2009
• ekstrand2011

Frequently asked questions

Quelle est la différence entre le filtrage collaboratif basé sur les utilisateurs et celui basé sur les éléments ?

Les méthodes basées sur les utilisateurs recommandent des éléments appréciés par des utilisateurs similaires à l'utilisateur cible, tandis que les méthodes basées sur les éléments recommandent des éléments similaires à ceux que l'utilisateur cible a déjà aimés, la similarité des éléments étant calculée à partir des schémas de co-évaluation. Les méthodes basées sur les éléments sont souvent plus évolutives car les similarités entre éléments sont plus stables et peuvent être précalculées.

Pourquoi la factorisation matricielle est-elle devenue si populaire ?

La factorisation matricielle compresse l'énorme matrice utilisateur-élément éparse en facteurs latents compacts qui capturent les goûts sous-jacents, gérant la rareté avec élégance et prédisant avec précision les préférences non observées. Ses résultats probants lors de la compétition du prix Netflix l'ont consacrée comme une technique standard de filtrage collaboratif.