Recommandations basées sur les sessions avec des réseaux de neurones récurrents

Nous appliquons les réseaux de neurones récurrents (RNN) à un nouveau domaine, à savoir les systèmes de recommandation. Les systèmes de recommandation en milieu réel sont souvent confrontés au problème de devoir baser leurs recommandations uniquement sur des données de sessions courtes (par exemple, un petit site web de matériel sportif) plutôt que sur des historiques d'utilisateurs longs (comme c'est le cas pour Netflix). Dans cette situation, les approches fréquemment louées de factorisation matricielle ne sont pas précises. Ce problème est généralement surmonté en pratique en recourant aux recommandations item-to-item, c'est-à-dire en recommandant des items similaires. Nous soutenons que la modélisation de l'ensemble de la session peut permettre d'offrir des recommandations plus précises. Nous proposons donc une approche basée sur les RNN pour les recommandations session-based. Notre méthode prend également en compte les aspects pratiques de la tâche et introduit plusieurs modifications aux RNN classiques, telles qu'une fonction de perte de classement, qui la rendent plus viable pour ce problème spécifique. Les résultats expérimentaux sur deux jeux de données montrent des améliorations notables par rapport aux approches largement utilisées.