Représentation d’éléments basée sur un proxy pour la recommandation sensible aux attributs et au contexte

Les approches basées sur les réseaux de neurones dans les systèmes de recommandation ont connu un succès remarquable en représentant un grand ensemble d’éléments sous forme d’un tableau d’embeddings vectoriels apprenables. Toutefois, les éléments rares peuvent souffrir de possibilités insuffisantes d’entraînement, ce qui rend difficile l’apprentissage de représentations significatives. Nous montrons que, dans des cadres prenant en compte les attributs et le contexte, les embeddings mal appris des éléments rares compromettent la précision de la recommandation. Pour résoudre ce problème, nous proposons une représentation d’élément basée sur des proxies, permettant à chaque élément d’être exprimé comme une somme pondérée d’embeddings de proxies apprenables. Dans cette approche, les poids des proxies sont déterminés par les attributs et le contexte de chaque élément, et peuvent inclure des termes d’biais pour les éléments fréquents afin de mieux refléter les signaux collaboratifs. La méthode basée sur les proxies calcule les représentations des éléments de manière composée, garantissant que chaque représentation se situe à l’intérieur d’un simplexe bien entraîné, assurant ainsi une qualité garantie. De plus, le fait que les embeddings de proxies soient partagés entre tous les éléments permet aux éléments rares d’emprunter les signaux d’entraînement des éléments fréquents de manière unifiée et end-to-end. Le modèle proposé est un modèle plug-and-play pouvant remplacer la couche d’encodage des éléments de tout modèle de recommandation basé sur les réseaux de neurones, tout en améliorant de manière cohérente la performance de recommandation avec une utilisation bien moindre de paramètres. Des expériences menées sur des jeux de données standards de recommandation réels démontrent que notre modèle surpasser les états de l’art en termes de précision de recommandation, avec une amélioration pouvant atteindre 17 %, tout en utilisant uniquement 10 % des paramètres.