Amélioration des VAE pour le filtrage collaboratif : des prioris flexibles et des mécanismes de gating

Les modèles fondés sur les réseaux de neurones pour le filtrage collaboratif ont récemment attiré une attention croissante. Une branche de recherche repose sur l’utilisation de modèles génératifs profonds pour modéliser les préférences des utilisateurs, où les autoencodeurs variationnels (VAE) se sont révélés capables de produire des résultats de pointe. Toutefois, les VAE actuels présentent certaines caractéristiques potentiellement problématiques dans le cadre du filtrage collaboratif. La première concerne la priorité trop simpliste intégrée par les VAE pour l’apprentissage des représentations latentes des préférences utilisateur. La seconde réside dans la capacité limitée du modèle à apprendre des représentations plus profondes, notamment lorsqu’il comporte plus d’une couche cachée dans chaque réseau. Notre objectif est d’intégrer des techniques appropriées afin de pallier ces défauts des VAE appliqués au filtrage collaboratif, et d’améliorer ainsi les performances de recommandation. Ce travail est le premier à appliquer des priorités flexibles au filtrage collaboratif, en démontrant que les priorités simples utilisées initialement dans les VAE peuvent être trop restrictives pour modéliser pleinement les préférences des utilisateurs, et qu’un choix de priorité plus flexible permet d’obtenir des gains significatifs. Nous expérimentons l’approche VampPrior, initialement proposée pour la génération d’images, afin d’évaluer l’effet des priorités flexibles dans le cadre du filtrage collaboratif. Nous montrons également que l’association de VampPriors avec des mécanismes de commutation (gating) permet de surpasser les résultats de l’état de l’art, y compris ceux du VAE pour le filtrage collaboratif, avec des marges significatives sur deux jeux de données standards largement utilisés (MovieLens et Netflix).