AI-Powered Approaches to Advanced Contexts Collection and Ratings Prediction in Recommender Systems

Abstract

Les systèmes de recommandation (SR) sont une sous-catégorie des systèmes de filtrage, principalement conçus pour fournir des recommandations personnalisées en analysant les préférences spécifiques des utilisateurs. Les SR traditionnels utilisent principalement des données sur les utilisateurs et les articles pour générer des recommandations, mais ils négligent souvent des facteurs critiques tels que les facteurs contextuels qui pourraient améliorer la qualité de ces recommandations. Les systèmes de recommandation sensibles au contexte (SRSC) résolvent cette problématique en intégrant des informations contextuelles, ce qui permet une compréhension plus approfondie des préférences des utilisateurs dans divers scénarios. Cependant, la mise en œuvre des SRSC présente plusieurs défis, y compris le problème de l'obtention de ces données en raison des préoccupations des utilisateurs concernant la confidentialité. De plus, l'incorporation d'informations contextuelles dans les SR peut compliquer le problème de la rareté des données et augmente considérablement le nombre des dimensions. Dans cette thèse, nous proposons une gamme de modèles qui exploitent des techniques avancées telles que les machines de factorisation et l'apprentissage profond pour surmonter les défis inhérents aux SRSC et développer des systèmes de recommandation multi-domaines robustes. Ces modèles sont conçus autour de deux fonctions principales : la fonction de collecte d'informations contextuelles qui vise à répondre à la rareté de ces données, et la fonction de prédiction des scores qui intègre ces données afin de fournir des recommandations plus précises et plus exactes. Les résultats de nos expériences démontrent que nos modèles proposés surpassent considérablement les modèles de base, confirmant ainsi leur efficacité.