Recommandation basée sur le contenu

Les systèmes de recommandation à base de contenu (content-based ) s’appuient sur le profil des items pour construire une recommandation personnalisée. Ils s’inscrivent dans le contexte où les items sont décrits par un ensemble d’attributs qui les caractérisent, c’est-à-dire des méta-données sous la forme de balises, de valeurs numériques ou de texte que nous pouvons alors analyser. À partir de ces différents attributs, les modèles définissent des distances ou des similarités entre items, permettant alors de recommander aux utilisateurs des items proches de ceux qu’ils ont déjà appréciés.

Exemple : Pour illustrer l’approche par contenu, nous pouvons reprendre l’exemple précédent (tableau 1.1). Nous y ajoutons un nouvel item i⁰₁ qui n’a pas encore été évalué.

Évaluation de films

Comédie Action Aventure

i1 i⁰₁ i2 i3 i4 i5 u1 • • • • ◦ ? ? ?? - - • • • • • • • ◦ ◦ ◦ u2 • • ◦ ◦ ◦ - • • • • ◦ ? ? ?? ? ? ? ? ? • • • • • u3 - - ? ? ?? • • • • ◦ • ◦ ◦ ◦ ◦ • • • • • u4 - - • • • • • • • • • ◦ - -u5 • • • • • ? ? ? ? ? - - - • • ◦ ◦ ◦

Table 1.2 – Un historique de notes (ronds noirs) exploité par un modèle de filtrage par contenu pour prédire de nouvelles notes (étoiles rouges)

1.1. Les familles de méthodes Dans cet exemple, nous pouvons observer les différences avec l’approche collaborative (tableaux 1.1 et 1.2). Ici, le modèle n’essaye pas de recommander des films en comparant des utilisateurs aux goûts similaires, mais plutôt de recommander des films du même genre, c’est-à-dire ayant le même profil que les films déjà appréciés par l’utilisateur. Par exemple, le film i₄ sera recommandé aux utilisateurs qui ont apprécié i₅, ou encore l’item i₃ sera recommandé à ceux ayant aimé i₂. Quant à l’item i⁰₁, il illustre bien l’un des avantages de l’approche par contenu : un nouvel item qui n’a pas encore été évalué peut tout à fait être recommandé si son profil est similaire à celui d’items déjà présents et jugés par des utilisateurs actifs. i⁰₁ pourra être recommandé aux utilisateurs ayant apprécié l’item i₁.

Parmi les exemples de systèmes de filtrage par contenu, nous pouvons citer le Music Genome Project [Koren et al., 2009] qui appuie sa recommandation sur une représentation issue de l’analyse musicale. Ou encore le filtrage de groupe de discussion NewsWeeder [Lang, 1995] où chaque item (du texte) est représenté par un sac de mots (les attributs).

L’approche : Formellement, chaque item est défini par un ensemble d’attributs (genre, liste des acteurs/compositeurs, date, résumé, etc.). L’approche consiste alors à construire pour chaque utilisateur un vecteur de profil à partir des attributs des items qu’il a évalués. Le profil construit est alors une représentation des préférences de l’utilisateur permettant ainsi de lui associer un ensemble d’items pertinents. L’essentiel de cette approche repose donc dans la caractérisation des items - la recommandation s’appuyant sur celle-ci pour évaluer la similarité de contenu avec les items notés par les utilisateurs.

Ricci et al. [Ricci et al., 2010] décrivent deux approches pour exploiter les profils items. Une première approche consiste à quantifier directement la similarité entre les items pour ensuite recommander à un utilisateur les items les plus similaires à ceux qu’il a appréciés. La seconde approche consiste à évaluer la probabilité pour qu’un item donné soit apprécié ou non par l’utilisateur, sachant les attributs de cet item.

Modèle d’espace vectoriel basé sur les mots clés

Les systèmes basés sur le contenu exploitent largement les techniques de recherche d’in-formation. Dans ce contexte, chaque item est considéré comme un document. En particulier, on utilise des mesures d’analyse fréquentielle de contenu dont la plus répandue est TF-IDF (Term Frequency-Inverse Document Frequency ) [Salton, 1989]. Cela permet de pondérer la valeur d’un attribut de profil (un mot) selon l’importance qu’il a au sein du corpus, et ce, de la manière suivante :

— moins un attribut apparaît au sein du corpus, plus il est pertinent pour caractériser un item dans lequel il apparaît (hypothèse IDF)

— plus un attribut apparaît pour un item donné, plus cet attribut est pertinent pour caractériser cet item (hypothèse TF)

— la taille de contenu disponible pour un item n’impacte pas le score de chaque attribut (hypothèse de normalisation)

À partir du calcul du TF-IDF, on calcule pour un document d_jun poids w_k,jpour chaque terme t_k rencontré :

w_k,j= _pP^{TF-IDF(tk, dj)}

s∈DTF-IDF(t_s, dj)2 (1.4)

où D est l’ensemble des termes rencontrés.

Puisque le principe des méthodes à base de contenu consiste à recommander des items similaires à ceux déjà évalués par l’utilisateur, il suffit alors de définir une fonction de similarité entre deux items donnés. Le cosinus est souvent employé [Baeza-Yates et al., 1999] :

sim_di,dj = P kw_k,i× w_k,j q P kw_k,i² ×^qP kw²_k,j (1.5)

De récents travaux se sont intéressés à des techniques d’analyse de sentiments afin d’af-finer la représentation vectorielle des items, comme [Lees-Miller et al., 2008] où les auteurs exploitent le contenu de Wikipedia afin d’améliorer la prédiction sur Netflix.

Modèle d’apprentissage des préférences utilisateur

Une autre approche consiste à apprendre un classifieur pour chaque utilisateur, le plus souvent un classifieur binaire. Dans [Sebastiani, 2002, Ricci et al., 2010] une classification naïve bayésienne estime si un item i est apprécié ou non (nous avons donc deux classes c₊ et c−). Formellement, le modèle cherche à estimer la probabilité P (c|i), c’est-à-dire la classe à laquelle appartient l’item i. La formule de Bayes nous donne :

P (c|i) = ^{P (c) × P (i|c)}

P (i) ^(1.6)

avec P (c) la probabilité a priori de la classe c, P (i|c) la probabilité d’observer l’item i sachant la classe c et enfin P (i) la probabilité d’observer l’item i. Ce qui nous donne pour un item i donné la classe suivante :

C_i^∗ = argmax_ci^{P (c) × P (i|c)}

P (i) ^{= argmaxcP (c) × P (i|c) (1.7)}

La probabilité P (i|c) est difficile à calculer sachant le nombre limité d’observations et, notamment, le fait qu’un document ne soit généralement pas observé plus d’une fois. C’est pourquoi les documents sont décomposés en termes (et pour nous les items en caractéris-tiques). On utilise par exemple une approche multinomiale [McCallum and Nigam, 1998] dans laquelle on compte le nombre d’apparitions de chaque terme/caractéristique. Formellement,

P (c|i) = P (c) ^Y

tk∈D

P (t_k|c)^{N (i,t}k) (1.8)

avec N (i, t_k) le nombre d’occurrences du terme t_k dans pour l’item i, D le dictionnaire de termes.

1.2. Les modèles à facteurs latents pour le filtrage collaboratif