Cours sur les systèmes de recommandation

Leçon 1 • Valeur commerciale et cas d'utilisation

Examinez comment les recommandations stimulent l'engagement, les revenus et la rétention. Établissez des liens entre les choix de conception du système et les résultats commerciaux mesurables.

Leçon 2 • Taxonomie des approches de recommandation

Présentez les paradigmes collaboratifs, basés sur le contenu et hybrides à un haut niveau. Fournissez une carte mentale pour organiser toutes les techniques abordées plus tard.

Leçon 3 • Le problème de recommandation défini

Définissez la tâche centrale consistant à faire correspondre les utilisateurs aux éléments en situation d'incertitude. Établissez le vocabulaire utilisé tout au long du cours.

Leçon 4 • Paysage des données pour les recommandations

Identifiez les types de données qui alimentent les systèmes de recommandation. Préparez les étudiants à évaluer la disponibilité des données dans des projets réels.

Leçon 1 • Nettoyage et normalisation des données

Éliminez le bruit, les doublons et les valeurs aberrantes qui faussent l'entraînement du modèle. Introduisez des techniques de normalisation qui améliorent la comparabilité des évaluations entre les utilisateurs.

Leçon 2 • Construction de la matrice utilisateur-élément

Transformez les journaux bruts en une matrice d'interaction structurée. Abordez la rareté, qui est le défi déterminant des données de filtrage collaboratif.

Leçon 3 • Collecte des données d'interaction utilisateur

Couvrez les stratégies d'instrumentation pour capturer les clics, les évaluations et le temps d'attention. Établissez un lien entre la qualité des données au moment de la collecte et la précision en aval du modèle.

Leçon 4 • Ingénierie des caractéristiques pour les éléments et les utilisateurs

Créez des caractéristiques dérivées à partir des métadonnées et du comportement pour les modèles basés sur le contenu et hybrides. Faites le pont entre les attributs bruts et les représentations consommables par le modèle.

Leçon 1 • Métriques de similarité pour les voisinages

Présentez la similarité cosinus, de Pearson et de Jaccard pour les voisinages d'utilisateurs et d'éléments. Développez l'intuition pour choisir les métriques en fonction du type de données.

Leçon 2 • Fondamentaux de la factorisation matricielle

Décomposez la matrice d'interaction en facteurs latents d'utilisateurs et d'éléments. Introduisez la SVD et ses approximations pratiques pour les données creuses.

Leçon 3 • Gestion du démarrage à froid dans le filtrage collaboratif

Abordez le problème du nouvel utilisateur et du nouvel élément dans les paradigmes collaboratifs. Introduisez des stratégies de repli et des ponts hybrides.

Leçon 4 • Filtrage collaboratif basé sur l'utilisateur

Générez des prédictions en agrégeant les évaluations d'utilisateurs similaires. Couvrez la sélection des voisins, la pondération et les formules de prédiction.

Leçon 5 • Filtrage collaboratif basé sur l'élément

Déplacez le calcul de similarité vers l'espace des éléments pour une plus grande stabilité. Expliquez pourquoi les méthodes basées sur les éléments surpassent souvent celles basées sur l'utilisateur à grande échelle.

Leçon 1 • Recommandation basée sur la similarité

Classez les éléments candidats par similarité avec le vecteur de profil utilisateur. Établissez un lien entre les métriques de similarité du chapitre 3 et le contexte basé sur le contenu.

Leçon 2 • Forces et limites du filtrage par contenu

Évalue de manière critique où les méthodes basées sur le contenu excellent et où elles échouent. Motive les approches hybrides introduites dans le chapitre suivant.

Leçon 3 • Représentation des éléments et espaces de caractéristiques

Convertit les attributs des éléments en représentations vectorielles adaptées au calcul de similarité. Établit l'espace de caractéristiques qui sous-tend la mise en correspondance basée sur le contenu.

Leçon 4 • Recommandation textuelle avec le TALN

Applique le traitement automatique des langues naturelles pour extraire des caractéristiques sémantiques des descriptions d'éléments. Permet des recommandations basées sur le contenu textuel au-delà des mots-clés.

Leçon 1 • Patrons de conception hybrides

Catalogue les stratégies hybrides de commutation, pondérées, mixtes et en cascade. Fournit un cadre décisionnel pour sélectionner le bon patron par cas d'utilisation.

Leçon 2 • Recommandation contextuelle

Incorpore le contexte temporel, de localisation et d'appareil dans les modèles hybrides. Montre comment les signaux contextuels modifient la pertinence des recommandations.

Leçon 3 • Méthodes ensemblistes pour le classement

Applique le bagging, le boosting et l'empilement pour combiner les résultats des classeurs. Démontre des gains de précision par rapport aux modèles de base uniques.

Leçon 4 • Machines de factorisation

Présente les machines de factorisation comme un modèle unifié pour les interactions de caractéristiques creuses. Couvre l'équation FM et son extension aux interactions d'ordre supérieur.

Leçon 1 • Limites de l'évaluation hors ligne

Explique pourquoi les métriques hors ligne échouent souvent à prédire la performance en ligne. Fait le pont avec les méthodes d'évaluation en ligne abordées dans les chapitres suivants.

Leçon 2 • Au-delà de la précision : diversité et nouveauté

Mesure la diversité des listes, la nouveauté et la sérendipité en complément de la précision. Motive l'évaluation multi-objectifs dans les systèmes de production.

Leçon 3 • Métriques de classement et top-N

Introduit la précision, le rappel, le NDCG et la MAP pour évaluer les listes classées. Établit un lien entre le choix de la métrique et l'objectif commercial de faire apparaître des éléments pertinents.

Leçon 4 • Métriques de précision pour la prédiction d'évaluations

Couvre l'ERQM, l'EMA et leurs variantes pour évaluer les évaluations prédites. Explique quand chaque métrique est appropriée et comment interpréter les différences.

Leçon 1 • Auto-encodeurs pour le filtrage collaboratif

Utilise des réseaux encodeur-décodeur pour reconstruire les vecteurs d'évaluations creuses. Couvre les auto-encodeurs débruitants comme stratégie de régularisation.

Leçon 2 • Modèles basés sur les séquences et les sessions

Modélise le comportement de l'utilisateur comme une séquence pour capturer l'intention à court terme. Introduit les RNN, les GRU et les mécanismes d'attention pour la recommandation par session.

Leçon 3 • Réseaux de neurones graphiques pour les recommandations

Représente les utilisateurs et les éléments comme des nœuds dans un graphe bipartite pour le passage de messages. Capture les signaux collaboratifs d'ordre supérieur au-delà des interactions directes.

Leçon 4 • Filtrage collaboratif neuronal

Remplace l'interaction par produit scalaire par un perceptron multicouche pour une modélisation utilisateur-élément plus riche. Démontre des gains de précision par rapport à la factorisation matricielle classique.

Leçon 1 • Tests A/B et expérimentation en ligne

Conçoit des expériences contrôlées en ligne pour mesurer l'impact des recommandations. Couvre la répartition du trafic, les métriques de garde-fou et la durée de l'expérience.

Leçon 2 • Récupération et classement en deux étapes

Sépare la génération de candidats du classement précis pour le passage à l'échelle. Explique comment chaque étape optimise différents objectifs sous contraintes de latence.

Leçon 3 • Surveillance des modèles et détection de dérive

Suit la performance du modèle et les changements de distribution des données en production. Établit des alertes et des déclencheurs de réentraînement pour maintenir la qualité des recommandations.

Leçon 4 • Modèles de passage à l'échelle et d'infrastructure

Aborde le passage à l'échelle horizontal, les pipelines par lots vs en temps réel et l'optimisation des coûts. Prépare les étudiants à prendre des décisions d'infrastructure pour les systèmes à grande échelle.