SS4Rec : Recommandation séquentielle en temps continu basée sur des modèles à espace d’état
La recommandation séquentielle est un domaine clé des systèmes de recommandation, visant à modéliser les intérêts des utilisateurs à partir de séquences d’interactions historiques présentant des intervalles irréguliers. Bien que les approches basées sur les réseaux de neurones récurrents (RNN) et les mécanismes d’attention aient obtenu des résultats significatifs, elles souffrent de limitations dans la capture de la continuité du système, en raison de leurs caractéristiques discrètes. Dans le cadre de la modélisation en temps continu, les modèles à espace d’état (State Space Model, SSM) offrent une solution prometteuse, car ils permettent efficacement de capter l’évolution dynamique des intérêts des utilisateurs au fil du temps. Toutefois, les approches SSM existantes négligent l’impact des intervalles temporels irréguliers dans les interactions historiques des utilisateurs, ce qui rend difficile la modélisation des transitions complexes entre utilisateurs et items au sein des séquences. Pour remédier à ce problème, nous proposons un modèle hybride basé sur les SSM, nommé SS4Rec, dédié à la recommandation séquentielle en temps continu. SS4Rec intègre un SSM sensible au temps pour traiter les intervalles temporels irréguliers, ainsi qu’un SSM sensible aux relations pour modéliser les dépendances contextuelles, permettant ainsi d’inférer les intérêts des utilisateurs à la fois sous les angles temporel et séquentiel. Pendant le processus d’entraînement, le SSM sensible au temps et le SSM sensible aux relations sont discrétisés à l’aide de pas de discrétisation variables, respectivement selon les intervalles d’interaction des utilisateurs et les données d’entrée. Cette approche permet de capturer efficacement les dépendances continues issues des intervalles temporels irréguliers, tout en offrant des recommandations personnalisées spécifiques au moment. Des études expérimentales menées sur cinq jeux de données standard démontrent la supériorité et l’efficacité de SS4Rec.