Prédiction des notations dans les systèmes de recommandation multi-critères via un modèle factoriel collectif

Dans un système de recommandation multi-critères, les utilisateurs peuvent attribuer une note globale à un élément tout en fournissant une note pour chacun de ses attributs. La recherche d'une méthode efficace pour exploiter les évaluations multi-critères d'un utilisateur afin de prédire sa note globale constitue l'un des défis les plus importants. Parmi les solutions classiques, la plupart des architectures ne sont pas conçues de manière end-to-end. Ces approches estiment d'abord les notes multi-critères d'un utilisateur, puis entraînent un modèle distinct pour prédire sa note globale. Cette approche engendre un surcroît de charge d'entraînement, et la précision de la prédiction globale est généralement sensible au modèle utilisé pour les notes multi-critères. Dans cet article, nous proposons un modèle collectif permettant de prédire la note globale d'un utilisateur en pondérant automatiquement chacune des sous-notes prédites pour les critères individuels. L'architecture proposée intègre de manière unifiée les modèles de notation multi-critères et celui de la note globale, permettant ainsi d'entraîner et d'effectuer la recommandation multi-critères de manière end-to-end. Des expériences menées sur trois jeux de données réels montrent que notre architecture atteint une erreur de prédiction jusqu'à 13,14 % inférieure par rapport aux approches de référence.