Autoencodeurs Variationnels Séquentiels pour le Filtrage Collaboratif

Les autoencodeurs variationnels ont fait leurs preuves dans des domaines tels que la vision par ordinateur et le traitement de la parole. Bien que leur utilisation pour modéliser les préférences des utilisateurs soit encore largement inexplorée, elle commence à attirer l'attention dans la littérature actuelle. Dans ce travail, nous proposons un modèle qui étend les autoencodeurs variationnels en exploitant les informations riches contenues dans l'historique des préférences passées. Nous introduisons une version récurrente du VAE (Variational Autoencoder), où au lieu de transmettre un sous-ensemble de l'ensemble de l'historique sans tenir compte des dépendances temporelles, nous faisons passer un sous-ensemble de la séquence de consommation à travers un réseau neuronal récurrent. À chaque pas de temps du RNN (Réseau Neuronal Récurrent), la séquence est traitée par une série de couches entièrement connectées, dont la sortie modélise la distribution de probabilité des préférences futures les plus probables. Nous montrons que le traitement des informations temporelles est crucial pour améliorer la précision du VAE : en effet, notre modèle surpasse l'état de l'art actuel avec des marges appréciables grâce à sa capacité à capturer les dépendances temporelles au sein de la séquence de consommation utilisateur tout en conservant les principes fondamentaux des autoencodeurs variationnels.