Utilisation de factorisation matricielle dans les Systèmes de recommandation sensible au contexte.

Abstract

Les systèmes de recommandation sont utilisés avec succès pour fournir des items (exemple : les films, la musique, les livres, les nouvelles, les images) adaptées aux préférences des utilisateurs. Parmi les approches proposées, nous utilisons l’approche de filtrage collaboratif qui consiste à trouver l'information qui satisfait l’utilisateur en utilisant les évaluations des autres utilisateurs. Ces évaluations sont stockées dans des matrices que leurs tailles augmentent exponentiellement pour prédire si un item est intéressant ou pas. Le problème est que ces systèmes négligent qu’une évaluation a été peut-être influencée par d’autres facteurs que nous appelons le facteur contextuel. Notre objectif est d’intégrer l’information contextuelle en appliquant l’approche de post-filtrage contextuelle des systèmes de recommandation sensible au contexte pour améliorer la qualité de la recommandation. L’avantage de cette approche est le fait qu’elle ne nécessite pas un nouvel algorithme pour le calcul des prédictions. Nous allons appliquer l’algorithme de factorisation matricielle du filtrage collaboratif qui se base sur la méthode de réduction dimensionnelle et plus précisément SVD++ (décomposition de la valeur singulière).