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.