Modèle hybride combinant réseau de neurones convolutifs et modèle basé sur le choix pour la recommandation de sièges

Avec la vente de billets en ligne, les consommateurs souhaitant réserver un ticket pour un concert, une pièce de théâtre ou un film ont désormais la possibilité de choisir leur emplacement. Ce choix influence l'expérience vécue : différents facteurs sont à considérer, et chaque client fait son propre raisonnement (plus ou moins consciemment) pour prendre cette décision. Par exemple, dans un cinéma, certaines personnes vont privilégier les sièges au centre pour avoir la meilleure vision possible de l'écran, tandis que d'autres pourront préférer les sièges latéraux pour être moins dérangés par la présence d'autrui, en particulier si beaucoup de sièges au centre sont déjà réservés. Cet exemple illustre l'hétérogénéité de raisonnement d'un consommateur dans cette situation, et met en valeur deux catégories de facteurs influant sur la prise de décision : la position dans la salle, et la proximité aux autres. La réservation en ligne a ainsi permis de collecter ces choix dans des bases de données, et pour l'industrie culturelle (dans notre exemple le gérant de cinéma), cette information peut être cruciale. D'abord, connaître les sièges les plus attractifs à un instant donné peut permettre de modifier la tarification et ainsi augmenter l'affluence dans les salles et donc les recettes. De plus, si cette connaissance se fait spécifiquement pour chaque utilisateur ayant déjà effectué des réservations par le passé, cela peut également permettre d'améliorer les stratégies marketing par la mise en place d'un système de recommandation personnalisé de sièges. Un premier objectif du mémoire est la revue de méthodes permettant l'estimation de l'attractivité d'un siège dans une salle partiellement remplie. Deux stratégies sont possibles : la première consiste à traiter chaque client individuellement afin d'assurer une modélisation personnelle de la prise de décision, mais qui est limité par la quantité de données disponible par clients. L'autre stratégie consiste à regrouper l'ensemble des données pour pouvoir appliquer des modèles avec plus de capacité comme de l'apprentissage profond, mais qui perd l'information du comportement individuel. Une hypothèse de ce mémoire est que malgré une performance plus faible pour la deuxième stratégie, cette dernière apporte de l'information utile, et une combinaison des deux permet d'améliorer la performance globale et de pallier au problème de la stratégie individualisée du possible manque de données.