Le partage d'informations peut conduire à des prédictions meilleures et plus précises lorsque les mécanismes des réseaux neuronaux sont concernés et en utilisant des informations partagées entre des groupes de personnes partageant les mêmes idées, la technologie de recommandation de l'élément suivant peut être améliorée par rapport aux méthodes conventionnelles actuelles.

La technologie prédictive peut sembler magique, mais en réalité, elle consiste en des modèles soigneusement construits qui nécessitent une amélioration constante pour suivre l'évolution constante des préférences et des exigences d'un utilisateur. Les chercheurs intéressés à améliorer les systèmes de recommandation basés sur les sessions (SBRS) cherchent à faire des prédictions plus précises, non seulement basées sur les intérêts des utilisateurs, mais également sur les relations entre utilisateurs partageant les mêmes idées afin de regrouper les intérêts similaires.

Ce modèle prend en compte les sessions et les intérêts à long et à court terme pour créer un modèle prédictif intuitif et précis qui surpasse les modèles conventionnels existants en plus de prédire la nécessité de développer automatiquement de nouveaux groupes en fonction de l'évolution des intérêts et des besoins de la cible. utilisateurs.

Les chercheurs ont publié leurs résultats dans le Journal d'informatique sociale.

Le modèle développé est basé sur des groupes d'utilisateurs à long et à court terme (LSUG) qui peuvent donner une idée assez décente des préférences de l'utilisateur et des futurs éléments susceptibles de les intéresser le plus.

"Dans toutes ces approches, les représentations des utilisateurs sont résumées indépendamment en fonction de leurs sessions, ce qui entraîne la construction des modèles appris par utilisateur. Il n'y a pas de partage explicite d'informations entre les modèles d'utilisateurs", a déclaré Nengjun Zhu, chercheur et auteur. de l’étude. L'ajout du partage d'informations entre utilisateurs ayant montré des intérêts similaires crée un pool d'informations plus large dont on peut tirer des leçons et, par conséquent, un modèle de recommandation prédictive plus précis pour l'élément suivant peut être développé.

"Les systèmes de recommandation basés sur les sessions sont de plus en plus appliqués aux recommandations d'éléments suivants. Cependant, les approches existantes codent les informations de session de chaque utilisateur de manière indépendante et ne prennent pas en compte les relations entre les utilisateurs. Ce travail est basé sur l'intuition que des groupes dynamiques d'utilisateurs partageant les mêmes idées les utilisateurs existent au fil du temps", a déclaré Zhu.

En utilisant les relations entre les utilisateurs ayant des intérêts similaires, l'utilisateur cible peut être affecté à des groupes présentant une forte probabilité de chevauchement ou d'intérêts partagés. La représentation de ces groupes est ensuite pondérée de manière à estimer la probabilité que l'élément prédit soit la prochaine chose visitée par l'utilisateur.

Une lacune des méthodes conventionnelles que les chercheurs ont cherché à combler est l'évolution des intérêts des gens et la possibilité de développement de nouveaux groupes. Dans d'autres modèles, cela doit être fait manuellement, ce qui coûte du temps et des ressources supplémentaires. Au lieu de cela, l'équipe de chercheurs a choisi d'intégrer une unité d'apprentissage adaptatif dans le modèle pour déterminer automatiquement s'il est nécessaire de créer un nouveau groupe et, si tel est le cas, de créer ce nouveau groupe et de savoir quels intérêts comprendraient ce nouveau groupe. .

L'ajout de cette dynamique d'apprentissage adaptatif établit en outre un niveau de probabilité plus élevé que la prédiction de l'élément suivant soit utile et intéressante pour l'utilisateur cible lors de l'examen de certaines mesures. Cependant, il existe un point où l'unité d'apprentissage adaptatif n'est pas aussi efficace lorsque les éléments sont classés tous ensemble en utilisant la métrique de l'aire sous la courbe (AUC) plutôt que d'utiliser simplement des exemples positifs comme dans le classement personnalisé bayésien ( BPR).

Bien que la dynamique d’apprentissage adaptatif ajoute de la fonctionnalité et de la flexibilité en créant de nouveaux groupes, elle n’a pas la capacité de supprimer ou de diminuer les groupes qui ne sont plus pertinents ; c'est un domaine sur lequel les chercheurs souhaitent travailler à l'avenir afin de garder les groupes d'utilisateurs plus rationalisés et adaptés à l'évolution des intérêts de l'utilisateur. Dans le même ordre d'idées, les chercheurs aimeraient également utiliser l'apprentissage des contrastes pour développer des différences explicites entre les groupes d'utilisateurs afin que la représentation reste fidèle aux intérêts de l'utilisateur.

Fourni par Tsinghua University Press