Développement d'un système de recommandation de produits dans un contexte Business-to-Business

Le filtrage collaboratif est une méthode permettant de recommander des items à un utilisateur actif en se basant sur les évaluations (feedbacks) précédemment fournies par des utilisateurs ayant des intérêts similaires (utilisateurs voisins). Étant donné que le filtrage collaboratif est incapable de découvrir avec précision les utilisateurs voisins similaires lorsque le nombre des évaluations fournies par les utilisateurs est très limité (problème de sparsité des données), la précision de la prédiction des préférences des utilisateurs sera faible. Cette situation se traduit par des recommandations de mauvaise qualité. Dans ce mémoire, notre objectif principal est de développer, pour un partenaire industriel du marché Business-to-Business, un système de recommandation basé sur le filtrage collaboratif à partir de feedbacks implicites uniquement. Pour surmonter le problème de la sparsité des données, nous avons proposé une nouvelle méthodologie, basée sur la création automatique d'une nouvelle taxonomie d'items et l'extraction de règles d'association, pour des recommandations basées sur des profils d'utilisateurs créés à partir de feedbacks implicites. De plus, nous avons utilisé une méthode d'initialisation de l'algorithme de la factorisation matricielle afin d'améliorer la précision des recommandations. Les résultats expérimentaux ont montré que notre technique atteint une meilleure performance que les autres techniques en termes de précision. Cette amélioration est due à l'avantage significatif de la technique proposée, qui fournit suffisamment d'informations sur les préférences de l'utilisateur à analyser à partir de son comportement d'achat.

Abstract

Collaborative filtering is a method for recommending items to an active user based on the ratings (feedbacks) previously provided by users with similar interests (neighboring users). Since collaborative filtering is unable to accurately discover similar neighboring users when the number of user-provided ratings is extremely limited (data sparsity problem), the accuracy of the prediction of user preferences will be low. This results in mediocre quality recommendations. In this work, our main objective is to develop, for an industrial partner in the Business-to-Business market, a recommendation system based on collaborative filtering from implicit feedbacks only. To overcome the problem of data sparsity, we proposed a new methodology, based on the automatic creation of a new item taxonomy and the extraction of association rules, for recommendations based on user profiles created from implicit feedbacks. In addition, we used an initialization method for the matrix factorization algorithm to improve the accuracy of the recommendations. Experimental results showed that our technique achieves better performance than other techniques in terms of accuracy. This improvement is due to the significant advantage of the proposed technique, which provides enough information about the user's preferences to be analyzed from his buying behavior.