Recommandateur Séquentiel

Le système de recommandation séquentielle est un type important de système de recommandation. Sa tâche principale est de prédire le prochain comportement de l’utilisateur en fonction de la séquence de comportement historique de l’utilisateur. Il tente de comprendre et de modéliser les informations temporelles du comportement des utilisateurs, les interactions entre les utilisateurs et les éléments, ainsi que les changements de ces facteurs au fil du temps, afin de fournir aux utilisateurs des recommandations plus précises qui correspondent à leurs préférences actuelles et récentes. Par exemple, si un utilisateur consulte d'abord les ordinateurs et les claviers, puis les souris sur une plateforme de commerce électronique, le système de recommandation séquentielle prédira, en fonction de cette série de comportements, que l'utilisateur peut être intéressé par des accessoires liés à l'ordinateur, tels que des haut-parleurs d'ordinateur, et recommandera ces produits à l'utilisateur.

Dans les premières études, certaines méthodes basées sur des modèles simples tels que les chaînes de Markov ont été utilisées pour la recommandation de séquences. Plus tard, avec l'essor de la technologie d'apprentissage en profondeur, des méthodes de recommandation de séquences basées sur des modèles d'apprentissage en profondeur tels que les réseaux neuronaux récurrents (RNN), les réseaux de mémoire à long terme (LSTM), les unités récurrentes fermées (GRU) et les transformateurs ont continué à émerger.

L'article publié dans IJCAL 2019Systèmes de recommandation séquentiels : défis, progrès et perspectives« Cet article fournit un aperçu complet des systèmes de recommandation séquentielle et résume et analyse systématiquement leurs caractéristiques, leurs défis, les progrès de la recherche et les orientations de recherche importantes.