Descente de gradient multiple pour les systèmes de recommandation à objectifs multiples

Les systèmes de recommandation doivent refléter la complexité de l’environnement dans lequel ils sont appliqués. Plus nous connaissons les éléments susceptibles de bénéficier à l’utilisateur, plus le nombre d’objectifs du système de recommandation augmente. En outre, plusieurs parties prenantes peuvent être impliquées — vendeurs, acheteurs, actionnaires — auxquelles s’ajoutent des contraintes légales et éthiques. L’optimisation simultanée de multiples objectifs, corrélés ou non, de même échelle ou non, s’est révélée jusqu’à présent particulièrement difficile.Nous introduisons une approche stochastique de descente de gradients multiples pour les systèmes de recommandation (MGDRec) afin de résoudre ce problème. Nous démontrons que cette méthode dépasse les méthodes de pointe dans les combinaisons d’objectifs traditionnelles, telles que le revenu et le rappel. Mais ce n’est pas tout : grâce à une normalisation des gradients, il devient possible de combiner des objectifs fondamentalement différents, aux échelles variées, dans un cadre cohérent unique. Nous montrons que des objectifs non corrélés, comme la proportion de produits de qualité, peuvent être améliorés en parallèle de l’exactitude. Grâce à l’utilisation de la stochasticité, nous évitons les pièges liés au calcul des gradients complets et définissons clairement le cadre d’application de cette méthode.