Hybrid recommender systems based on autoencoders
Qianyuan Sun · eScholarship@McGill (McGill) · 2019
En raison de l'abondance de choix dans le commerce électronique, les systèmes de recommandation deviennent de plus en plus indispensables. Une tâche courante de recommandation consiste à aider les utilisateurs à trouver les éléments qui correspondent le mieux à leurs goûts personnels. Dans le monde réel, la plupart des services de recommandation mesurent leurs performances en fonction des éléments recommandés par les utilisateurs. Dans cette thèse, nous étudions le scénario le plus courant (films, produits, CD, par exemple) avec rétroaction implicite.Il existe de nombreuses méthodes pour résoudre le problème, notamment le filtrage collaboratif (FC). La FC est une approche largement utilisée dans les systèmes de recommandation, basée sur les évaluations passées attribuées aux éléments par les utilisateurs. Cependant, les méthodes à base de FC souffrent de problèmes de démarrage à froid car les cotes sont souvent très rares. Pour résoudre ce problème de parcimonie, une plus grande attention a été portée aux méthodes hybrides qui utilisent des informations auxiliaires telles que les informations de contenu d'élément. Cependant, les facteurs latents appris de certaines méthodes hybrides peuvent ne pas être efficaces.Nous proposons ici un modèle unifié optimisé basé sur AutoEncoder pour effectuer une prédiction à la fois des informations de classement et des informations de contenu. Nous modifions la couche d'encodage en combinant deux facteurs latents de deux sources d'informations. Nous utilisons également les avancées en matière d’apprentissage des représentations efficaces dans l’apprentissage en profondeur pour générer les facteurs des éléments à partir de la description des éléments, qui est une séquence de mots. Des résultats expérimentaux approfondis sur trois jeux de données du monde réel montrent que notre modèle unifié surpasse les autres approches de pointe selon trois mesures d'évaluation courantes de la tâche de recommandation. Notre modèle utilise efficacement les informations secondaires et permet d'améliorer les performances