Formation aux systèmes de recommandation

Leçon 1 • Valeur commerciale et cas d'utilisation

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

Leçon 2 • Taxonomie des approches de recommandation

Passez en revue les paradigmes collaboratifs, basés sur le contenu et hybrides à un niveau élevé. Fournissez une carte mentale pour organiser toutes les techniques abordées ultérieurement.

Leçon 3 • Définition du problème de recommandation

Définit la tâche centrale de mise en correspondance des utilisateurs avec des articles en situation d'incertitude. Établit le vocabulaire utilisé tout au long du cours.

Leçon 4 • Paysage des données pour les recommandations

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

Leçon 1 • Nettoyage et normalisation des données

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

Leçon 2 • Construction de la matrice utilisateur-article

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

Leçon 3 • Collecte des données d'interaction des utilisateurs

Couvre les stratégies d'instrumentation pour capturer les clics, les évaluations et le temps de consultation. Relie la qualité des données au moment de la collecte à la précision du modèle en aval.

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

Créez des caractéristiques dérivées à partir de métadonnées et de comportements 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

Présente les similarités cosinus, de Pearson et de Jaccard pour les voisinages d'utilisateurs et d'articles. Développe l'intuition pour choisir les métriques en fonction du type de données.

Leçon 2 • Fondamentaux de la factorisation matricielle

Décompose la matrice d'interactions en facteurs latents utilisateur et article. Présente le SVD et ses approximations pratiques pour les données creuses.

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

Aborde le problème du nouvel utilisateur et du nouvel article dans les paradigmes collaboratifs. Présente les stratégies de repli et les ponts hybrides.

Leçon 4 • Filtrage collaboratif basé sur l'utilisateur

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

Leçon 5 • Filtrage collaboratif basé sur l'article

Déplace le calcul de similarité vers l'espace des articles pour une plus grande stabilité. Explique pourquoi les méthodes basées sur l'article surpassent souvent celles basées sur l'utilisateur à grande échelle.

Leçon 1 • Recommandation basée sur la similarité

Classe les articles candidats par similarité avec le vecteur du profil utilisateur. Relie les métriques de similarité du chapitre trois au contexte basé sur le contenu.

Leçon 2 • Forces et limites du filtrage basé sur le contenu

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

Leçon 3 • Représentation des articles et espaces de caractéristiques

Convertit les attributs des articles 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 du langage naturel pour extraire des caractéristiques sémantiques des descriptions d'articles. 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, pondérée, mixte et en cascade. Fournit un cadre de décision pour sélectionner le bon patron par cas d'utilisation.

Leçon 2 • Recommandation tenant compte du contexte

Incorpore le contexte temporel, géographique et de l'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 le stacking pour combiner les sorties 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 les performances 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 comme compléments à la précision. Motive l'évaluation multi-objectifs dans les systèmes de production.

Leçon 3 • Métriques de classement et de top-N

Présente la précision, le rappel, le NDCG et la MAP pour l'évaluation des listes classées. Relie le choix de la métrique à l'objectif commercial de mettre en avant des articles pertinents.

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

Couvre le RMSE, la MAE et leurs variantes pour l'évaluation des évaluations prédites. Explique quand chaque métrique est appropriée et comment interpréter les différences.

Leçon 1 • Autoencodeurs pour le filtrage collaboratif

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

Leçon 2 • Modèles séquentiels et basés sur la session

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

Leçon 3 • Réseaux de neurones graphiques pour les recommandations

Représente les utilisateurs et les articles comme des nœuds dans un graphe biparti 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-article 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 en ligne contrôlées 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 du modèle et détection de dérive

Suit les performances du modèle et les changements de distribution des données en production. Établit des déclencheurs d'alerte et 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 horizontale, les pipelines batch vs temps réel et l'optimisation des coûts. Prépare les étudiants à prendre des décisions d'infrastructure pour les systèmes à grande échelle.