Cours de filtrage collaboratif

Leçon 1 • Taxonomie des approches de filtrage

Examine les stratégies de filtrage basé sur le contenu, collaboratif et hybride. Situe le filtrage collaboratif dans le paysage plus large.

Leçon 2 • Ce que font les systèmes de recommandation

Définit les systèmes de recommandation et leur fonction centrale d'appariement des utilisateurs aux éléments. Établit le vocabulaire utilisé tout au long du cours.

Leçon 3 • Exigences en matière de données et collecte

Identifie les types de données nécessaires pour alimenter les modèles de filtrage collaboratif. Couvre les stratégies de collecte et les considérations précoces sur la qualité des données.

Leçon 1 • Opérations matricielles pour les recommandations

Applique la multiplication, la transposition et l'inversion de matrices aux matrices d'évaluation. Prépare les étudiants aux techniques de décomposition par factorisation matricielle.

Leçon 2 • Notions de base en probabilités et statistiques

Revise la probabilité conditionnelle, l'espérance et la variance dans le contexte de la prédiction d'évaluations. Établit les bases des modèles probabilistes présentés dans les chapitres ultérieurs.

Leçon 3 • Notions essentielles en algèbre linéaire

Couvre les vecteurs, les matrices et les produits scalaires comme représentations des utilisateurs et des éléments. Soutient directement le calcul de similarité et la factorisation matricielle ultérieure.

Leçon 1 • Filtrage par plus proche voisin basé sur l'élément

Calcule la similarité entre éléments et recommande des éléments liés à ceux déjà évalués par un utilisateur. Met en contraste l'évolutivité avec les approches basées sur l'utilisateur.

Leçon 2 • Évaluation des modèles basés sur la mémoire

Applique l'erreur absolue moyenne (MAE), la racine de l'erreur quadratique moyenne (RMSE) et des mesures de classement pour évaluer la qualité des prédictions. Présente la division entraînement-test et la validation croisée pour l'évaluation des systèmes de recommandation.

Leçon 3 • Filtrage par plus proche voisin basé sur l'utilisateur

Trouve des utilisateurs similaires et agrège leurs évaluations pour prédire les préférences d'un utilisateur cible. Présente la sélection du voisinage et la moyenne pondérée.

Leçon 4 • Normalisation et correction du biais

Aborde le biais d'évaluation des utilisateurs par le centrage sur la moyenne et la normalisation par le score Z. Améliore la précision des prédictions avant le calcul de la similarité.

Leçon 1 • Factorisation matricielle régularisée

Présente la fonction objectif avec la régularisation L2 pour éviter le surapprentissage des facteurs latents. Dérive les règles de mise à jour par gradient utilisées dans l'optimisation.

Leçon 2 • Incorporation des termes de biais

Étend le modèle de factorisation de base avec des paramètres de biais globaux, utilisateur et élément. Démontre des gains de précision mesurables sur des bancs d'essai standard.

Leçon 3 • Fondamentaux de la décomposition en valeurs singulières

Explique la SVD comme une approximation de bas rang de la matrice d'évaluation. Relie les dimensions latentes aux caractéristiques cachées des utilisateurs et des éléments.

Leçon 4 • Entraînement par descente de gradient stochastique

Entraîne les modèles de factorisation matricielle efficacement à l'aide de la SGD sur les évaluations observées. Couvre les programmes de taux d'apprentissage et le suivi de la convergence.

Leçon 1 • Factorisation matricielle régularisée pondérée

Applique une perte pondérée par la confiance pour traiter les interactions non observées comme des négatifs faibles. Dérive la fonction objectif du WRMF et sa solution ALS.

Leçon 2 • Classement personnalisé bayésien

Cadre la recommandation comme un classement par paires en maximisant la vraisemblance que les éléments observés soient classés au-dessus des éléments non observés. S'entraîne avec la SGD sur des triplets échantillonnés.

Leçon 3 • Rétroaction implicite ou explicite revisitée

Met en contraste les propriétés statistiques des signaux implicites avec les évaluations explicites. Établit pourquoi les hypothèses standard de factorisation doivent être révisées.

Leçon 1 • Modèles de recommandation tenant compte de la séquence

Modélise le comportement temporel des utilisateurs avec des architectures récurrentes et basées sur l'attention. Capture le contexte de session que les modèles statiques manquent.

Leçon 2 • Architecture de filtrage collaboratif neuronal

Remplace le produit scalaire par un perceptron multicouche pour modéliser des interactions complexes. Présente les branches GMF et MLP du cadriciel NCF.

Leçon 3 • Comparaison des modèles profonds et peu profonds

Évalue le CF neuronal par rapport à la factorisation matricielle sur la précision, le coût d'entraînement et l'interprétabilité. Guide la sélection du modèle en fonction de la taille de l'ensemble de données et des contraintes de latence.

Leçon 4 • Autoencodeurs pour la recommandation

Utilise des réseaux encodeur-décodeur pour reconstruire les vecteurs d'évaluation et imputer les valeurs manquantes. Couvre les autoencodeurs débruitants comme stratégie de régularisation.

Leçon 1 • Entraînement distribué de modèles

Met à l'échelle l'entraînement de la factorisation et du CF neuronal sur plusieurs machines en utilisant le parallélisme des données et des modèles. Aborde la synchronisation des gradients et la tolérance aux pannes.

Leçon 2 • Magasins de caractéristiques et prestation d'intégrations

Gère les intégrations d'utilisateurs et d'éléments dans un magasin de caractéristiques pour un entraînement et une prestation cohérents. Couvre le versionnage, la latence de récupération et les calendriers d'actualisation des intégrations.

Leçon 3 • Surveillance et maintenance des systèmes en direct

Suit la qualité des recommandations en production à l'aide de mesures en ligne et de la détection de dérive des données. Établit les déclencheurs de réentraînement et les procédures de retour arrière.

Leçon 4 • Recherche approximative des plus proches voisins

Remplace la recherche de similarité exacte par des index ANN pour récupérer des candidats en quelques millisecondes. Couvre les méthodes HNSW, LSH et la quantification produit.

Leçon 1 • Réseaux de neurones à graphes pour le CF

Modélise les interactions utilisateur-élément comme un graphe biparti et propage les intégrations à travers des convolutions de graphes. Couvre LightGCN et ses simplifications.

Leçon 2 • Filtrage collaboratif fédéré

Entraîne des modèles de recommandation sur des appareils utilisateur décentralisés sans partager les données d'interaction brutes. Aborde l'efficacité de la communication et les garanties de confidentialité.

Leçon 3 • Recommandations conversationnelles et interactives

Incorpore la rétroaction des utilisateurs par un dialogue à plusieurs tours pour affiner dynamiquement les recommandations. Relie l'apprentissage par renforcement et les cadres de bandits au CF.

Leçon 4 • Orientations de recherche émergentes

Examine l'intégration des grands modèles de langage, l'inférence causale et le préentraînement auto-supervisé dans la recherche sur les recommandations. Guide les étudiants dans l'identification de problèmes ouverts traitables.