42876 SLALI Zakariae
Transformation des données utilisateurs vers des
recommandations personnalisées
En utilisant une plateforme de streaming, j'ai été intrigué par la précision des recommandations
proposées. Cette observation m'a poussé à explorer les fondements mathématiques des systèmes
de recommandation, afin de comprendre comment des données utilisateur peuvent être
transformées en suggestions personnalisées et pertinentes.
Les systèmes de recommandation servent également de thème car ils synthétisent la
transformation des interactions en informations à exploiter, le passage d’une matrice incomplète
à une prédiction via KNN ou factorisation, puis une transformation des prédictions en
recommandations personnalisées optimisant la pertinence des propositions et de l’expérience
utilisateur.
Positionnement thématique (ÉTAPE 1) :
- MATHEMATIQUES (Algèbre)
- INFORMATIQUE (Informatique pratique)
Mots-clés (ÉTAPE 1) :
Mots-clés (en français) Mots-clés (en anglais)
Systèmes de recommandations Recommender systems
Filtrage collaboratif Collaborative filtering
Apprentissage profond Deep learning
Réseau neuronal Neural networks
similarité similarity
Bibliographie commentée
Un système de recommandation est un dispositif permettant de filtrer l’information afin de
proposer aux utilisateurs des contenus en adéquation avec leurs choix et préférences et
maximiser son engagement et sa satisfaction. Il est en effet constitué d’algorithmes, comme le
machine Learning par exemple, qui personnalise leur suggestion, contrairement à un moteur de
recherche qui s'intéresse lui exclusivement à la pertinence des résultats [4]. Bien que récente, la
recherche sur le sujet des systèmes de recommandation avance vite attirant les sur les
scientifiques. On assiste à des conférences et workshops nourris d’approches sur le
crowdsourcing. De nombreuses capacités de développement des entreprises en ligne fournissent
un terreau fertile à l’innovation. Ce domaine en plein essor paraît devoir encore évoluer, relever
de nombreux défis techniques et faire face à de nouvelles problématiques, ce qui renforce son
ancrage dans la personnalisation et l’engagement de l’utilisateur [2].
L’un des défis majeurs à relever lors de la mise en œuvre d’un système de recommandation est
de bien articuler mémorisation et généralisation. Des approches hybrides comme le modèle
Wide & Deep, adossent d’un côté des modèles linéaires pour la mémorisation et de l’autre des
réseaux de neurones pour la généralisation, garantissant ainsi des recommandations précises et
diversifiées, tant pour répondre spécifiques d’un utilisateur, que pour lui proposer de nouvelles
possibilités, qui toutes renforcent son expérience et l’utilité du système [3].
Au sein des systèmes de recommandation, la transformation des données est une étape
essentielle permettant de structurer et d’adapter les données brutes afin qu’elles soient
exploitables par les algorithmes. Cette transformation regroupe plusieurs étapes telles que le
nettoyage de données "suppression des mots vides", la transformation de textes en vecteurs
numériques, ou encore l’application de méthodes de pondération telles que le TF-IDF. La
factorisation de matrice, technique phare du filtrage collaboratif en recommandation, consiste à
décomposer une matrice creuse utilisateur item en deux matrices de faible rang de facteurs
latents permettant de rendre compte des caractéristiques sous-jacentes des utilisateurs et des
items. Ainsi, elle permet de prédire des préférences pour des items non notés tout en réduisant
la complexité des calculs et en assurant une meilleure scalabilité. De plus, en faisant l’hypothèse
d’une approximation des matrices d’origine, elle délivre des recommandations efficaces, même
en cas d’évaluation peu fréquente [1/2] .
À la suite de cette étude, nous allons alors simuler un système de recommandation à partir du
KNN. En utilisant la similarité entre utilisateurs ou items celle-ci prédit les préférences selon les
choix des utilisateurs similaires [5].
Problématique retenue
Le sujet a but pour répondre à la question suivante : Quels sont les enjeux mathématiques de la
transformation des interactions utilisateur en prédictions exploitables dans un système de
recommandation ?
Objectifs du TIPE du candidat
1-Analyser comment des techniques mathématiques peuvent améliorer la personnalisation des
recommandations.
2-Comprendre les limites et les défis liés à la modélisation des préférences utilisateurs.
3-Développer une approche mathématique rigoureuse pour analyser la transformation des
données dans les systèmes de recommandation.
4-Relier des concepts abstraits à des applications concrètes, notamment dans le domaine des
plateformes numériques.
Références bibliographiques (ÉTAPE 1)
[1] BASTIN, JÉRÉMY : Etude des systèmes de recommandations et mise en pratique des
algorithmes. : http://hdl.handle.net/2268.2/11045
[2] JULIEN DELPORTE : Factorisation Matricielle, Application à la Recommandation
Personnalisée de Préférences : https://theses.hal.science/tel-01009570v1
[3] HENG-TZE CHENG, LEVENT KOC, JEREMIAH HARMSEN, TAL SHAKED, TUSHAR
CHANDRA, HRISHI ARADHYE, GLEN ANDERSON, GREG CORRADO, WEI CHAI,
MUSTAFA ISPIR, ROHAN ANIL, ZAKARIA HAQUE, LICHAN HONG, VIHAN JAIN, XIAO
: Wide & Deep Learning for Recommender Systems : https://arxiv.org/pdf/1606.07792
[4] YU DU : Des données aux connaissances : vers des recommandations plus pertinentes,
diversifiées et transparentes. : https://theses.hal.science/tel-03611956v1
[5] WENNOVATION ACADEMY : Building a Movie Recommendation system | K-Nearest
Neighbors | Machine Learning : https://youtu.be/4Ws0oPH350U?si=Sz-7zb5MMnNfz9Iz
