Systèmes de recommandation et de contenu
Les systèmes de recommandation suggèrent des éléments susceptibles d'intéresser un utilisateur, offrant un accès personnalisé à l'information qui complète la recherche basée sur des requêtes.
Definition
Un système de recommandation prédit la préférence d'un utilisateur pour des éléments et présente un ensemble de suggestions classées, en utilisant des preuves telles que le contenu des éléments, le comportement passé de l'utilisateur et le comportement d'autres utilisateurs, afin de soutenir un accès personnalisé à l'information sans nécessiter de requête explicite.
Scope
Ce domaine couvre les systèmes qui recommandent proactivement des éléments aux utilisateurs : la recommandation basée sur le contenu qui associe des éléments aux profils d'utilisateurs, le filtrage collaboratif qui exploite les modèles d'interaction entre utilisateurs et éléments, les méthodes hybrides et sensibles au contexte qui combinent des signaux et s'adaptent à la situation, ainsi que l'évaluation des recommandations. Il considère la recommandation comme une branche de l'accès à l'information axée sur la personnalisation, étroitement liée à la recherche d'information (retrieval), partageant des représentations et des idées d'évaluation tout en abordant le problème distinct de la suggestion d'éléments sans requête explicite.
Sub-topics
Core questions
- Comment les préférences des utilisateurs sont-elles inférées à partir des évaluations explicites et des comportements implicites ?
- En quoi la recommandation basée sur le contenu diffère-t-elle du filtrage collaboratif ?
- Comment les méthodes collaboratives exploitent-elles les modèles d'interaction entre de nombreux utilisateurs et éléments ?
- Comment les signaux de contenu, comportementaux et contextuels sont-ils combinés ?
- Comment la qualité de la recommandation est-elle mesurée au-delà de la précision prédictive ?
Key concepts
- profils d'utilisateurs et d'éléments
- rétroaction explicite et implicite
- recommandation basée sur le contenu
- filtrage collaboratif
- factorisation matricielle / facteurs latents
- problème du démarrage à froid
- recommandation sensible au contexte
- classement et diversité des recommandations
Key theories
- Recommandation basée sur le contenu versus filtrage collaboratif
- Les méthodes basées sur le contenu recommandent des éléments similaires à ceux qu'un utilisateur a aimés en utilisant les caractéristiques des éléments, tandis que le filtrage collaboratif recommande des éléments que des utilisateurs similaires ont aimés en utilisant la matrice d'interaction utilisateur-élément, chacune présentant des forces et des faiblesses complémentaires.
- Factorisation matricielle et modèles à facteurs latents
- Le filtrage collaboratif peut être formulé comme la factorisation de la matrice d'évaluation utilisateur-élément clairsemée en facteurs utilisateur et élément de faible dimension, dont les produits scalaires prédisent les préférences, une technique centrale de la recommandation moderne.
Clinical relevance
Les systèmes de recommandation sont essentiels au commerce électronique, aux médias en streaming, aux actualités, aux plateformes sociales et à la publicité en ligne, façonnant une grande partie de ce que les utilisateurs rencontrent en ligne. Ils partagent des représentations, des méthodes de classement et d'évaluation avec la recherche d'information (retrieval), et des préoccupations telles que la diversité, l'équité et les bulles de filtre rendent leur conception conséquente.
History
Les systèmes de recommandation sont apparus au milieu des années 1990 avec les premiers systèmes de filtrage collaboratif tels que GroupLens. Le concours Netflix Prize (2006-2009) a stimulé des avancées majeures dans les méthodes de factorisation matricielle, et le domaine s'est développé en une discipline vaste englobant des approches basées sur le contenu, collaboratives, hybrides et sensibles au contexte, consolidées dans des manuels et ouvrages de référence complets.
Key figures
- Joseph Konstan
- John Riedl
- Gediminas Adomavicius
- Charu Aggarwal
- Francesco Ricci
Related topics
Seminal works
- ricci2015
- adomavicius2005
- ekstrand2011
Frequently asked questions
- En quoi la recommandation diffère-t-elle de la recherche ?
- La recherche répond à une requête explicite exprimant un besoin immédiat, tandis que la recommandation suggère proactivement des éléments basés sur les préférences inférées et le contexte d'un utilisateur, souvent sans aucune requête. Ils partagent des représentations et des mécanismes de classement, mais résolvent des problèmes d'accès à l'information différents.
- Qu'est-ce que le problème du démarrage à froid ?
- Le démarrage à froid est la difficulté de recommander pour de nouveaux utilisateurs ou de nouveaux éléments ayant peu ou pas d'historique d'interaction. Sans évaluations ni comportements à apprendre, les méthodes collaboratives rencontrent des difficultés, c'est pourquoi les caractéristiques basées sur le contenu et les approches hybrides sont souvent utilisées pour combler cette lacune.