Modélisation des usages et recommandations : une nouvelle formulation par filtrage de Kalman.
Modélisation des usages et recommandations : une nouvelle formulation par filtrage de Kalman.
Samuel Nowakowski (Inria, Nancy)
Résumé :
Dans cet exposé, je vais m’attacher à présenter comment le problème de recommandation web peut trouver une nouvelle formulation en faisant appel aux approches en cours en automatique. Il se déroulera en quatre parties principales.
Dans un premier temps, je rappellerai brièvement les axes de recherche de l’équipe KIWI (Knowledge Information and Web Intelligence). Dans ce contexte, je détaillerai la démarche qui m’a permis de reformuler le problème de la recommandation de contenu sur le WEB comme un problème d’automatique et d’introduire les outils qui seront utilisés. Je montrerai comment transformer la consommation de ressources web en un modèle dans l’espace d’état et je détaillerai les différentes variables ainsi que leurs significations physiques. À ce stade, j’envisagerai deux voies possibles de mise en oeuvre - une première qui n’a pas donné de résultats probants et la deuxième plus prometteuse basée sur une logique de poursuites de cibles se déplaçant sur des trajectoires dans l’espace de recommandation. Je donnerai également les contraintes que génèrent cette approche notamment sur la construction de cet espace (espace de très grande dimension, ...). Puis, après un rappel détaillé de la définition et des propriétés du filtrage de Kalman, je montrerai comment le mettre en oeuvre pour bâtir des modèles d’usages et une stratégie de recommandation. Cette stratégie détaillée, je présenterai des résultats obtenus sur deux applications différentes :
- un système de Video On Demand : sur la base de consommations de vidéos - chaque vidéo vue étant indexée selon des catégories (action, aventure, ...), nous montrons comment l’approche permet de prédire la catégorie du prochain film que regarderont des usagers connaissant leur consommation passée
- un site web d’actualités : le site de l’AEF : en utilisant l’historique de consultation de news sur ce site (chaque news appartenant à une catégorie - politique, universités, jeunesse, ...), nous montrons comment nous pouvons prédire la catégorie de la prochaine news que consultera un usager connaissant ses consultations passées.
Je conclurai avec des pistes de travail et des perspectives :
- analyse de la topologie des espaces de recommandation
- exploitation de cette approche aux suivis des groupes, la modélisation des leaders et des suiveurs et l’analyse des dynamiques des communautés d’usagers