Systèmes de recommandation hybrides et sensibles au contexte

Les systèmes de recommandation hybrides combinent plusieurs stratégies de recommandation afin de compenser leurs faiblesses individuelles, tandis que les systèmes de recommandation sensibles au contexte adaptent les suggestions à la situation de l'utilisateur.

Definition

Un système de recommandation hybride combine deux techniques de recommandation ou plus afin de produire de meilleures suggestions que n'importe quelle méthode unique, et un système de recommandation sensible au contexte intègre des informations contextuelles au-delà des identités de l'utilisateur et de l'élément, telles que l'heure, le lieu, l'humeur ou la compagnie, dans le processus de recommandation.

Scope

Ce sujet aborde deux extensions complémentaires de la recommandation de base : les systèmes hybrides qui intègrent des techniques basées sur le contenu, collaboratives et autres par le biais de stratégies telles que la pondération, la commutation, la combinaison de caractéristiques et la mise en cascade ; et la recommandation sensible au contexte qui intègre des facteurs contextuels tels que le temps, le lieu et l'appareil dans la prédiction. Il examine comment la combinaison et la contextualisation des signaux améliorent la précision et la robustesse, en particulier face au problème du démarrage à froid (cold start), tout en laissant les méthodes de base et l'évaluation à des sujets adjacents.

Core questions

• Pourquoi combiner les méthodes basées sur le contenu et collaboratives plutôt que d'en utiliser une seule ?
• Quelles stratégies existent pour hybrider les systèmes de recommandation, telles que la pondération, la commutation et la mise en cascade ?
• Comment l'ajout de contexte, tel que le temps ou le lieu, modifie-t-il les recommandations ?
• Comment le contexte peut-il être modélisé comme pré-filtrage, post-filtrage ou modélisation contextuelle ?
• Comment les méthodes hybrides et sensibles au contexte contribuent-elles au démarrage à froid (cold start) et à la robustesse ?

Key concepts

• recommandation hybride
• systèmes hybrides pondérés et à commutation
• systèmes hybrides en cascade et à combinaison de caractéristiques
• recommandation sensible au contexte
• pré-filtrage et post-filtrage contextuels
• modélisation contextuelle
• atténuation du démarrage à froid (cold start)
• modèles de préférence multidimensionnels

Key theories

Stratégies d'hybridation

Les systèmes de recommandation peuvent être combinés en mélangeant leurs scores (pondérés), en choisissant parmi eux selon la situation (commutation), en alimentant la sortie de l'un dans l'autre (cascade ou augmentation de caractéristiques), ou en fusionnant leurs caractéristiques, la bonne stratégie permettant d'atténuer les faiblesses de chaque composant.

Paradigmes de la recommandation sensible au contexte

Le contexte peut être intégré en filtrant les données avant de recommander (pré-filtrage contextuel), en ajustant les résultats après (post-filtrage), ou en modélisant le contexte directement au sein d'un modèle de préférence multidimensionnel (modélisation contextuelle).

Clinical relevance

La plupart des systèmes de recommandation en production sont hybrides, mêlant des signaux collaboratifs, basés sur le contenu et comportementaux, et s'adaptant au contexte tel que l'appareil, l'heure de la journée et l'activité récente. Ces techniques améliorent la précision, gèrent le démarrage à froid (cold start) et adaptent les suggestions au moment présent, ce qui est essentiel dans les services mobiles et de streaming.

History

L'étude de Burke de 2002 a systématisé les stratégies d'hybridation alors que les chercheurs reconnaissaient qu'aucune technique de recommandation unique n'était uniformément la meilleure. La recommandation sensible au contexte s'est développée au cours des années 2000, formalisée par Adomavicius et Tuzhilin, à mesure que l'informatique mobile et omniprésente rendait les signaux situationnels disponibles. Les conceptions hybrides et sensibles au contexte sont désormais la norme dans les systèmes déployés.

Key figures

• Robin Burke
• Gediminas Adomavicius
• Alexander Tuzhilin
• Francesco Ricci

Seminal works

• burke2002
• adomavicius2011
• ricci2015

Frequently asked questions

Pourquoi la plupart des systèmes de recommandation réels sont-ils hybrides ?

Chaque technique présente des faiblesses : les méthodes basées sur le contenu se spécialisent excessivement, et les méthodes collaboratives sont confrontées au problème du démarrage à froid (cold start) et de la rareté des données (sparsity). Les combiner permet aux forces de l'une de compenser les faiblesses de l'autre, produisant généralement des recommandations plus précises et robustes que n'importe quelle méthode unique.

Qu'est-ce qui est considéré comme du contexte dans la recommandation sensible au contexte ?

Le contexte est toute information situationnelle, au-delà des identités de l'utilisateur et de l'élément, qui affecte les préférences, telle que l'heure, le lieu, l'appareil, la météo ou la compagnie de l'utilisateur. L'intégrer permet à un système de recommander différemment, par exemple, pour un trajet quotidien en semaine par rapport à une soirée de week-end.