Au-delà de l'apprentissage à partir de l'élément suivant : la recommandation séquentielle via la durabilité des intérêts personnalisés

Les systèmes de recommandation séquentiels ont démontré leur efficacité en capturant l’évolution des intérêts des utilisateurs. Deux catégories de modèles séquentiels existent actuellement : les modèles centrés sur l’utilisateur et les modèles centrés sur les articles. Les modèles centrés sur l’utilisateur captent l’évolution personnalisée des intérêts à partir de l’historique séquentiel de consommation de chaque utilisateur, mais ne prennent pas explicitement en compte la persistance des intérêts des utilisateurs envers les articles au-delà de la période d’entraînement, c’est-à-dire la durabilité de l’intérêt. À l’inverse, les modèles centrés sur les articles considèrent la persistance générale des intérêts des utilisateurs après la période d’entraînement, mais ils ne sont pas personnalisés. Dans ce travail, nous proposons un système de recommandation qui combine les avantages des deux catégories de modèles. Notre modèle proposé capture la persistance personnalisée des intérêts, indiquant si l’intérêt de chaque utilisateur pour un article se maintiendra au-delà de la période d’entraînement ou non. Nous formulons d’abord une tâche consistant à prédire quels articles chaque utilisateur consommera pendant une période récente de la phase d’entraînement, en se basant sur son historique de consommation. Ensuite, nous proposons des schémas simples mais efficaces pour enrichir l’historique de consommation souvent sparse des utilisateurs. Des expériences étendues montrent que le modèle proposé surpasser 10 modèles de référence sur 11 jeux de données réels. Le code est disponible à l’adresse suivante : https://github.com/dmhyun/PERIS.