Compromis exploration-exploitation pour système de recommandation à grande échelle

Frédéric Guillou 1 Romaric Gaudel 1, 2 Philippe Preux 2, 1
1 SEQUEL - Sequential Learning
Inria Lille - Nord Europe, CRIStAL - Centre de Recherche en Informatique, Signal et Automatique de Lille (CRIStAL) - UMR 9189
Abstract : Les systèmes de recommandation recommandent à des utilisateurs un ou des produits qui pourraient les intéresser. La recommandation se fonde sur les retours des utilisateurs par le passé, lors des précédentes recommandations. La recommandation est donc un problème séquentiel et le système de recommandation recommande (i) pour obtenir une bonne récompense, mais aussi (ii) pour mieux cerné l'utilisateur/les produits et ainsi obtenir de meilleures récompenses par la suite. Quelques approches récentes ciblent ce double objectif mais elles sont trop gourmandes en temps de calcul pour s'appliquer à certaines applications de la vie réelle. Dans cet article, nous présentons un système de recommandation fondé sur la factorisation de matrice et les bandits manchots. Plusieurs expériences sur de grandes base de données montrent que l'approche proposée fournit de bonnes recommendations en moins d'une milli-seconde par recommandation.
Document type :
Conference papers
Complete list of metadatas

https://hal.inria.fr/hal-01406439
Contributor : Romaric Gaudel <>
Submitted on : Thursday, December 1, 2016 - 11:00:48 AM
Last modification on : Friday, March 22, 2019 - 1:35:26 AM

Identifiers

  • HAL Id : hal-01406439, version 1

Citation

Frédéric Guillou, Romaric Gaudel, Philippe Preux. Compromis exploration-exploitation pour système de recommandation à grande échelle. Conférence francophone sur l'Apprentissage Automatique (CAp'16), Jul 2016, Marseille, France. ⟨hal-01406439⟩

Share

Metrics

Record views

296