Imaginons une place de marché de l'emploi désireuse d'augmenter sa compétitivité sur le marché. 

L'objectif est d'offrir aux utilisateurs des éléments qui correspondent à leurs préférences individuelles. La solution doit être conçue de manière à proposer les éléments qui intéresseront le plus les utilisateurs. Cependant, il doit également être possible qu’un élément trouve différents utilisateurs qui pourraient être intéressés par cet élément.

Cela peut être réalisé en construisant un système de recommandation qu'ils pourraient intégrer dans leur plateforme. Cet article Tech Talk explique ce que sont les systèmes de recommandation, comment ils bénéficient aux entreprises et les différentes approches que vous pouvez adopter lors de la mise en œuvre d'un système de recommandation.

Qu'est-ce qu'un Système de Recommandation?

Les systèmes de recommandation sont des modèles d'apprentissage automatique intégrés aux plateformes pour fournir des recommandations alimentées par l'IA aux utilisateurs.

Les systèmes de recommandation sont un sujet brûlant dans la science des données, avec de nombreuses grandes entreprises comme Netflix, Spotify et Amazon qui en font une partie essentielle de leur produit. À une époque où les recommandations alimentées par l'IA deviennent courantes, il est important de savoir comment elles pourraient bénéficier à votre entreprise et comment les construire.

Les systèmes de recommandation peuvent être mis en œuvre sur de nombreuses plateformes et dans divers secteurs. Les avantages qu'ils apportent à une entreprise peuvent différer en fonction de leur utilisation et des objectifs. Voici quelques-unes des façons dont ils peuvent bénéficier à une entreprise :

• Fournir un contenu pertinent aux utilisateurs/clients - cela augmente le temps passé sur votre site web.

• Convertir les acheteurs en clients parce qu'ils sont plus susceptibles de se voir recommander un produit dont ils ont besoin.

• Augmenter les revenus grâce aux clients achetant davantage de produits.

• Fidéliser les clients - les clients satisfaits des produits recommandés sont plus susceptibles de revenir pour de futurs achats.

Nous discuterons des trois systèmes de recommandation les plus populaires pour vous donner une idée de ce qu'ils sont et où se situent leurs éventuelles limites afin que vous puissiez mieux décider lequel bénéficierait à votre entreprise. Ce sont :

• Filtrage basé sur le contenu

• Filtrage collaboratif

• Systèmes de recommandation hybrides

Filtrage Basé sur le Contenu

Le but des systèmes de recommandation basés sur le contenu est de faire des recommandations entre un élément et un utilisateur basé sur la similarité. Les éléments qui ont le plus de caractéristiques en commun avec les préférences et/ou caractéristiques de l'utilisateur sont recommandés à cet utilisateur.

Cette méthode ne prend pas en compte les préférences des autres utilisateurs. Cependant, elle peut intégrer des informations directes et indirectes sur les éléments et les utilisateurs pour mieux déterminer leur similarité.

Un composant essentiel d'un système de recommandation basé sur le contenu est l'information dont nous disposons sur les intérêts de l'utilisateur - l'accent est mis sur l'utilisateur. Sans cela, le modèle ne pourrait pas donner de recommandations décentes.

Habituellement, les utilisateurs doivent remplir un profil lors de leur première inscription sur la plateforme, où ils peuvent spécifier certains de leurs intérêts. Par exemple, Spotify demande aux nouveaux utilisateurs de choisir leurs artistes et genres musicaux préférés, ce qui peut ensuite être utilisé pour fournir des recommandations sur des genres similaires ou des artistes similaires.

Le filtrage basé sur le contenu peut aider à surmonter le 'problème de démarrage à froid' lorsque nous n'avons pas suffisamment de données historiques sur les interactions de l'utilisateur sur les plateformes. Cependant, les recommandations sont spécifiques à l'utilisateur et pour un très petit sous-ensemble d'éléments pouvant être proposés.

Plusieurs mesures peuvent être utilisées pour calculer la similitude entre les utilisateurs et les éléments, telles que :

• Distance Euclidienne

• Distance de Manhattan

• Distance de Jaccard

• Distance/similarité du Cosinus

Une des mesures les plus populaires dans cette liste est la similarité du cosinus. Cette méthode calcule la similarité entre deux vecteurs (par exemple, l'utilisateur et l'élément) en utilisant le cosinus de l'angle entre eux. Cela signifie que les angles plus faibles entre deux vecteurs ont des valeurs de cosinus plus élevées et, donc, sont très similaires entre eux.

Filtrage Collaboratif

Le filtrage collaboratif surmonte certaines des limites du filtrage basé sur le contenu. Si nous avons des informations sur les interactions antérieures entre les éléments et les utilisateurs, cela peut être utilisé pour créer un système de recommandation qui offre une plus grande variété de recommandations.

Par exemple, si l'utilisateur A achète un produit et que l'utilisateur A est similaire à l'utilisateur B, alors ce produit sera recommandé à l'utilisateur B.

Les utilisateurs similaires sont regroupés, et le modèle prend en compte leurs interactions avec les éléments pour faire des recommandations à d'autres utilisateurs. Les utilisateurs peuvent noter explicitement un élément pour indiquer qu'ils l'ont aimé ou non, ou le système peut déduire cette information simplement sur la base de l'interaction des utilisateurs avec l'élément - s'ils cliquent dessus ou l'ajoutent à leur panier, par exemple.

Cependant, un inconvénient important de cette approche est qu'elle nécessite des informations sur ces interactions antérieures, et il en faut beaucoup. En d'autres termes, cela nécessite un 'démarrage à chaud.' Ce type de données peut ne pas toujours être disponible, surtout pour les plateformes plus jeunes qui n'ont pas beaucoup d'utilisateurs ou d'interactions antérieures sur lesquelles s'appuyer. De plus, si de nouveaux éléments sont ajoutés à la plateforme, ils ne seront pas recommandés par le système tant que les utilisateurs n'interagiront pas avec eux ou ne les évalueront pas.

Il existe deux méthodes pour créer des modèles de filtrage collaboratif: basées sur la mémoire et basées sur le modèle.

• Les méthodes basées sur la mémoire calculent la mesure de similitude, puis font des recommandations basées sur un algorithme tel que les k-plus proches voisins.

• Les méthodes basées sur le modèle utilisent des algorithmes de réduction de dimensionnalité pour compresser la matrice utilisateur-élément. Cette méthode est particulièrement utile lorsque la matrice est clairsemée - en d'autres termes, les utilisateurs donnent une note à seulement un petit nombre d'éléments, donc la plupart des entrées de cette matrice seraient vides. Une approche courante consiste à utiliser l'algorithme de décomposition en valeurs singulières (SVD).

Systèmes de Recommandation Hybrides

Cette approche combine le filtrage basé sur le contenu et le filtrage collaboratif dans un système de recommandation unique. De cette manière, nous pouvons combiner le meilleur de chaque monde et obtenir de meilleures recommandations en surmontant les faiblesses de chaque approche.

Nous pouvons créer un modèle hybride en créant des systèmes basés sur le contenu et collaboratifs séparément. Ensuite, nous pouvons combiner leurs scores respectifs en utilisant une combinaison linéaire avec des poids que nous pouvons spécifier.

Par exemple, s'il n'y a pas suffisamment de données sur les interactions antérieures des utilisateurs, nous pouvons accorder plus de poids au système basé sur le contenu. Une fois que plus de données deviennent disponibles à l'avenir, nous pouvons ajuster ces poids.

Conclusion

Cet article a introduit les types de systèmes de recommandation qui sont devenus si populaires ces dernières années. Bien que le filtrage basé sur le contenu et le filtrage collaboratif présentent certains inconvénients, ils peuvent être incorporés dans un système hybride qui offre une approche puissante pour fournir des recommandations alimentées par l'IA dans votre plateforme.

Il y a deux points finaux que vous devriez considérer lors de la construction de ces systèmes :

1. Les systèmes de recommandation doivent être réentraînés régulièrement pour rester pertinents. La fréquence dépend de la croissance de votre plateforme et du volume de nouvelles données entrantes.

2. La vitesse et les performances de l'algorithme sont très importantes pour l'intégration dans votre plateforme. L'optimisation du code et de l'infrastructure utilisée pour ce système est une étape cruciale à prendre en compte avant et pendant le projet.

Pour en savoir plus sur les systèmes de recommandation, Google propose un cours gratuit qui couvre très bien le sujet. De plus, consultez la conférence RecSys 2022 pour les dernières recherches et nouvelles façons de créer des systèmes de recommandation (pour une version résumée de la conférence, Eugene Yan a rédigé un excellent compte-rendu de quelques articles présentés).