Modélisation adaptative de l'utilisateur avec des préférences à long et à court terme pour la recommandation personnalisée

La modélisation des utilisateurs constitue une tâche essentielle dans les systèmes de recommandation en ligne. Au cours des dernières décennies, les techniques de filtrage collaboratif (CF) ont été largement étudiées afin de modéliser les préférences à long terme des utilisateurs. Récemment, les réseaux de neurones récurrents (RNN) ont démontré un avantage significatif dans la modélisation des préférences à court terme. Une approche naturelle pour améliorer les systèmes de recommandation consiste à combiner à la fois la modélisation à long terme et celle à court terme. Toutefois, les approches antérieures ont négligé l’importance d’intégrer dynamiquement ces deux paradigmes de modélisation utilisateur. En outre, les comportements des utilisateurs sont bien plus complexes que les phrases en traitement du langage naturel ou les images en informatique visuelle, ce qui rend nécessaire l’amélioration des structures classiques de RNN, telles que le Long Short-Term Memory (LSTM), afin d’obtenir une modélisation utilisateur plus efficace. Dans cet article, nous améliorons la structure traditionnelle des RNN en proposant un contrôleur sensible au temps et un contrôleur sensible au contenu, permettant ainsi de prendre en compte adéquatement les informations contextuelles pour piloter les transitions d’état. Nous proposons également un cadre fondé sur l’attention pour combiner de manière intégrée les préférences à long et à court terme des utilisateurs, permettant ainsi de générer une représentation adaptative de l’utilisateur selon le contexte spécifique. Nous menons des expériences étendues sur des jeux de données publics et industriels. Les résultats montrent que la méthode proposée surpasser de manière cohérente plusieurs méthodes de pointe.