Quels sites internet utilisent des algorithmes de recommandation?

Tout d’abord, plongeons dans les modèles de filtrage collaboratif. Ils sont construits sur un ensemble de données de commentaires d’utilisateurs/d’articles.

Il peut s’agir d’un retour explicite tel qu’un nombre d’étoiles ou d’un pouce vers le haut/le pouce vers le bas, ou un retour implicite tel que le nombre d’épisodes regardés dans une émission télévisée.

Nous catégorisons davantage ces modèles en fonction de la façon dont ils traitent ces données. Voyons les avantages et les inconvénients de chaque approche.

Utilisateur-Utilisateur :

L’algorithme de recommandation le plus couramment utilisé suit la logique « des gens comme vous, comme ça ».

Nous l’appelons un algorithme « utilisateur-utilisateur » car il recommande un élément à un utilisateur si des utilisateurs similaires ont déjà aimé cet élément.

La similarité entre deux utilisateurs est calculée à partir de la quantité d’éléments qu’ils ont en commun dans l’ensemble de données.Cet algorithme est très efficace lorsque le nombre d’utilisateurs est bien inférieur au nombre d’éléments.

Vous pouvez penser à une boutique en ligne de taille moyenne avec des millions de produits. L’inconvénient majeur est que l’ajout d’un nouvel utilisateur est coûteux car cela nécessite de mettre à jour toutes les similitudes entre les utilisateurs.

Article-Article

L’algorithme « élément-élément » utilise la même approche mais inverse la vue entre les utilisateurs et les éléments. Il suit la logique « si vous aimez ceci, vous aimerez peut-être aussi cela ».

Il recommande des articles similaires à ceux que vous aimiez auparavant. Comme auparavant, la similarité entre deux éléments est calculée en utilisant le nombre d’utilisateurs qu’ils ont en commun dans l’ensemble de données.

Cet algorithme est préférable lorsque le nombre d’articles est bien inférieur au nombre d’utilisateurs, comme les boutiques en ligne à grande échelle. Il est bien adapté si vos articles ne changent pas trop, car vous pouvez pré-calculer le tableau complet des similitudes article-article, puis proposer des recommandations en temps réel.

La mise à jour de ce tableau pour l’ajout d’un nouvel élément est malheureusement difficile.

Utilisateur-Item

Il existe plusieurs formes d’algorithmes de recommandation « utilisateur-élément » qui combinent les deux approches pour générer des recommandations. Les plus simples sont basées sur des techniques de factorisation matricielle.

L’objectif est d’apprendre des vecteurs de faible dimension (« embeddings ») pour tous les utilisateurs et tous les éléments, de sorte que leur multiplication permet de récupérer si un utilisateur aime ou non un élément.

Vous pouvez afficher ces vecteurs comme encodant à quel point un élément a une certaine fonctionnalité (comme un film étant un drame), et respectivement à quel point un utilisateur aime cette fonctionnalité dans les éléments.

Cette factorisation est mieux entraînée à l’aide de SVD, mais comme cet algorithme est très gourmand en calculs, nous préférons souvent des alternatives. Pour les ensembles de données à moyenne échelle, l’ALS donnera des performances raisonnables.

Pour les grands ensembles de données, seul l’algorithme SGD pourra évoluer, mais sera très lent.
Une fois que les intégrations d’utilisateurs et les intégrations d’éléments ont été pré-calculées, les recommandations peuvent être servies en temps réel.

Un autre avantage de cette approche est que vous pouvez en savoir plus sur les utilisateurs et les éléments à l’aide de leurs intégrations.

Par exemple, vous pouvez regrouper des utilisateurs ou des éléments en fonction de leurs préférences. Les algorithmes User-Item partagent l’inconvénient qu’il n’y a pas de méthode efficace pour mettre à jour les intégrations après l’ajout d’un nouvel élément ou d’un nouvel utilisateur.