SR-PredictAO : Recommandation basée sur la session avec un module add-on prédicteur à haute capacité

La recommandation basée sur les sessions, dont l'objectif est de prédire le prochain élément cliqué par l'utilisateur à partir uniquement des informations contenues dans une seule session — même en présence de comportements aléatoires de l'utilisateur — constitue un problème complexe. Ce problème exige un modèle à haute capacité capable de prédire la prochaine action de l'utilisateur. La plupart (si ce n’est toutes) des modèles existants suivent le paradigme encodeur-prédicteur, où tous les travaux se concentrent sur l’optimisation approfondie du module encodeur, tout en négligeant l’optimisation du module prédicteur. Dans cet article, nous identifions le problème critique lié à la faible capacité du module prédicteur dans les modèles existants. Inspirés par cette observation, nous proposons un nouveau cadre, appelé Session-based Recommendation with Predictor Add-On (SR-PredictAO). Dans ce cadre, nous introduisons un module prédicteur à haute capacité, capable de atténuer l’impact des comportements aléatoires de l’utilisateur sur la prédiction. Il est à noter que ce cadre peut être appliqué à tout modèle existant, offrant ainsi des opportunités pour une optimisation ultérieure. Des expériences étendues sur deux jeux de données réelles de référence, réalisées avec trois modèles d’état de l’art, montrent que SR-PredictAO dépasse le modèle d’état de l’art actuel de jusqu’à 2,9 % en HR@20 et de 2,3 % en MRR@20. Plus important encore, l’amélioration est constante sur presque tous les modèles existants, sur l’ensemble des jeux de données, et statistiquement significative, ce qui constitue une contribution notable dans le domaine.