Bandits Warm-up Cold Recommender Systems

Jérémie Mary 1, 2, * Romaric Gaudel 1, 2 Philippe Preux 1, 2
* Auteur correspondant
1 SEQUEL - Sequential Learning
LIFL - Laboratoire d'Informatique Fondamentale de Lille, Inria Lille - Nord Europe, LAGIS - Laboratoire d'Automatique, Génie Informatique et Signal
Résumé : Nous nous intéressons au problème du démarrage à froid dans les systèmes de recommendation. Nous supposons ne disposer d'aucune information, que ce soit à propos des utilisateurs ou des produits. Nous considérons le cas où nous n'avons accès qu'à un ensemble de notes données à des produits par des utilisateurs. La plupart des travaux concernant ce problème considèrent une approche par lôts et utilisent la validation croisée pour régler les paramètres. La méthode classique consiste à réaliser une décomposition de faible rang de la matrice des notes en minimisant l'erreur quadratique moyenne sur un sous-ensemble des notes disponibles. Cette factorisation est interprêtée comme exhibant des facteurs latents décrivant les produits et les utilisateurs. Dans ce rapport, notre contribution concerne 5 points. Tout d'abord, nous explicitons les problèmes posés par ce type d'approches par lôt pour des utilisateurs ou des produits ayant très peu de notes qui leur sont associées (utilisateurs et produits froids). Ensuite, nous proposons une approche séquentielle qui se rapproche fortement du mode d'utilisation réelle des systèmes de recommendation. Cette approche est inspirée par le problème du bandit multi-bras. Cette méthodologie permet de transformer tout jeu de données issu d'un système de recommendation (tels Netflix, MovieLens, ...) en un jeu de données séquentiel. Alors, nous explicitons une forte connexion entre les bandits contextuels et la factorisation de matrices~; nous pensons que la mise à jour de cette relation est la contribution conceptuelle essentielle de ce rapport~; cette relation éclaire cette problématique d'un jour nouveau. Cela nous amène à un nouvel algorithme qui prend en charge le dilemme exploration/exploitation existant dans le problème du démarrage à froid. Finalement, une étude expérimentale de cet algorithme montre que l'approche fonctionne efficacement pour gérer le démarrage à froid sur des jeux de données disponibles publiquement. Pour résumer nos contributions en une phrase, l'objectif de ce rapport est de mettre à jour un pont entre les systèmes de recommendation basés sur la factorisation de matrices d'une part, les bandits contextuels d'autre part.
Liste complète des métadonnées

https://hal.inria.fr/hal-01022628
Contributeur : Preux Philippe <>
Soumis le : jeudi 10 juillet 2014 - 15:39:53
Dernière modification le : jeudi 11 janvier 2018 - 06:22:13
Document(s) archivé(s) le : vendredi 10 octobre 2014 - 12:05:44

Fichiers

RR-8563.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01022628, version 1
  • ARXIV : 1407.2806

Citation

Jérémie Mary, Romaric Gaudel, Philippe Preux. Bandits Warm-up Cold Recommender Systems. [Research Report] RR-8563, INRIA Lille; INRIA. 2014, pp.18. 〈hal-01022628〉

Partager

Métriques

Consultations de la notice

647

Téléchargements de fichiers

284