SVD-AE : Autoencodeurs simples pour le filtrage collaboratif

Les méthodes de filtrage collaboratif (CF) pour les systèmes de recommandation ont fait l’objet de recherches approfondies, allant de la factorisation matricielle aux approches basées sur les autoencodeurs ou les filtres graphiques. Récemment, des méthodes légères, nécessitant pratiquement aucune phase d’entraînement, ont été proposées afin de réduire la charge de calcul globale. Toutefois, les méthodes existantes laissent encore à désirer en ce qui concerne l’équilibre entre précision, efficacité et robustesse. En particulier, aucune étude analytique explicite n’a été conçue jusqu’à présent pour le CF équilibré en termes de ces compromis. Dans cet article, nous proposons SVD-AE, un autoencodeur linéaire simple mais efficace basé sur la décomposition en valeurs singulières (SVD), dont la solution analytique peut être définie directement à partir de la SVD pour le CF. Contrairement aux méthodes traditionnelles, SVD-AE n’exige pas de processus itératif d’entraînement, car sa solution fermée peut être calculée en une seule étape. Par ailleurs, en tenant compte de la nature bruitée de la matrice d’évaluations, nous étudions la robustesse des méthodes CF existantes ainsi que celle de notre SVD-AE face à ces interactions bruyantes. Nos résultats montrent que notre choix de conception simple, fondé sur une SVD tronquée, permet non seulement d’améliorer l’efficacité, mais aussi de renforcer la robustesse aux bruits dans la recommandation. Le code est disponible à l’adresse suivante : https://github.com/seoyoungh/svd-ae.