Sur l'utilisation de réseaux de neurones dans un système de recommandations réciproques

Le domaine de la recommandation de personne à personne comporte de multiples applications, mais il demeure moins bien étudié que celui de la recommandation de produits ou de services. Contrairement à la recommandation d'items, la recommandation de personnes doit tenir compte de la possibilité que la recommandation ne plaise pas nécessairement dans les deux sens, ce qui impose des difficultés supplémentaires et augmente la complexité. Dans les dernières années, les algorithmes à base de réseaux neuronaux ont su tirer parti des complexités présentes dans des domaines aussi divers que la vision informatique, le traitement du langage naturel et de la parole, et la génération d'images. Bien que leur utilisation pour les systèmes de recommandations en général ait été étudiée, l'utilisation des réseaux neuronaux est encore peu ou pas explorée dans le domaine de la recommandation de personne à personne. Nous explorons cette avenue. Nous avons utilisé des données provenant d'une plateforme qui permet de connecter deux personnes voulant apprendre l'une de l'autre. Cette base de données possède à la fois des données implicites sous la forme de vues de profils, de messages ou de rencontres, et des données explicites, les descriptions des offres et demandes ainsi que des mots-clés. L'algorithme créé pour faire les recommandations avec ces données est une combinaison de réseaux de neurones récurrents. Ceux-ci sont entraînés en essayant de prédire les données implicites à partir des données explicites. L'algorithme est comparé à l'approche classique d'analyse sémantique latente (Latent Semantic Analysis) sur la base des mesures de précision, rappel et score F1. Les résultats montrent que le nouvel algorithme prédit moins bien les données historiques lorsque peu de prédictions sont faites, mais que la qualité de celles-ci augmente plus vite avec le nombre de prédictions que le modèle comparé. Ceci se traduit par une meilleure précision lorsque le rappel est grand. Ce résultat est similaire lorsque les deux modèles sont augmentés d'une approche par filtres collaboratifs, bien que la différence s'amoindrit. L'utilisation d'agrégation des expertises par maximum ou moyenne ne semble pas avoir beaucoup d'effet pour l'un ou l'autre des modèles. Ce mémoire introduit une nouvelle approche pour les systèmes de recommandations permettant d'entraîner des modèles utilisant des données dépendant uniquement de l'utilisateur pour faire des recommandations aussi complexes et diversifiées que celles faites par les filtres collaboratifs.

Abstract

People-to-people recommandations is a relatively new domain of study compared to recommender systems in general. Contrary to recommender systems where items are recommended to people, the recommendation of people has to take into account the fact that recommendations may be not be as good in the reversed direction. This factor increases the complexity of the recommendation. During the last few years, algortithms based on neural networks have been able to find patterns in domains as diverse as computer vision, natural language and speech processing, and image generation. While their use in recommender systems in general has been studied, work on this topic is still in its infancy and we find no contribution yet for people-to-people recommendation. We explore this avenue and use data from a platform where two people wanting to learn from another can connect. This dataset contains implicit data in the form of profile views, messages and meetings, as well as explicit data under the format of demand and offer textual descriptions and tags. The people-to-people recommender system developed is a neural network based on recurrent neurons and trained by trying to predict the implicit data from the explicit data. It is compared to the classical Latent Semantic Analysis approach based on precision, recall and F1 score metrics. The results show that the new algorithm does not do as well a job predicting historical data when few predictions are made, but that the quality goes up more quickly with the number of predictions made than the compared model. This is shown by a better precision when recall is large. The result is similar when both models are augmented with collaborative filters, but with a smaller difference between them. The use of different pooling methods by maximum or mean doesn't seem to have much of an effect on either model. This model introduces a new approach for recommender systems that enables them to use data depending only on the user to make recommendations as complex and diversified as those made by collaborative filters.