Représentations Gaussiennes pour le Filtrage Collaboratif

Adrien Titeux 1 Benjamin Piwowarski 1 Patrick Gallinari 2
1 BD - Bases de Données
LIP6 - Laboratoire d'Informatique de Paris 6
2 MLIA - Machine Learning and Information Access
LIP6 - Laboratoire d'Informatique de Paris 6
Abstract : La plupart des systèmes de filtrage collaboratifs, comme par exemple la factorisation matricielle, utilisent des représentations vectorielles pour les articles et les utilisateurs. Ces représentations sont déterministes, et ne permettent pas de modéliser l'incertitude des représentations apprises, ce qui peut être utile quand un utilisateur a évalué un petit nombre d'articles (problème du démarrage à froid), ou quand le modèle est confronté à des informations contradictoires concernant le comportement d'un utilisateur ou les évaluations d'un utilisateur. Dans cet article, nous nous appuyons sur des représentations gaussiennes qui modélisent cette incertitude, et définissons un cadre d'apprentissage et d'inférence approprié à ce type de représentations. Nous montrons en outre que ce modèle fonctionne bien sur trois collections représentatives, et analysons les représentations apprises par le modèle.
Complete list of metadatas

https://hal.sorbonne-universite.fr/hal-02074930
Contributor : Benjamin Piwowarski <>
Submitted on : Thursday, March 21, 2019 - 9:25:18 AM
Last modification on : Wednesday, March 27, 2019 - 1:34:11 AM

Identifiers

Citation

Adrien Titeux, Benjamin Piwowarski, Patrick Gallinari. Représentations Gaussiennes pour le Filtrage Collaboratif. 15ème COnférence en Recherche d'Informations et Applications - CORIA 2018, May 2018, Rennes, France. ⟨10.24348/coria.2018.paper31⟩. ⟨hal-02074930⟩

Share

Metrics

Record views

17