Les chercheurs d’Apple proposent un nouveau modèle de décomposition tensorielle pour le filtrage collaboratif avec des commentaires implicites.

Les chercheurs d'Apple proposent un nouveau modèle de filtrage collaboratif avec des commentaires implicites basé sur la décomposition tensorielle.

La capacité à déduire les préférences des utilisateurs à partir de comportements passés est cruciale pour des suggestions personnalisées efficaces. Le fait que de nombreux produits n’aient pas d’évaluations en étoiles rend cette tâche exponentiellement plus difficile. Les actions passées sont généralement interprétées sous une forme binaire pour indiquer si un utilisateur a interagi ou non avec un certain objet par le passé. Des hypothèses supplémentaires doivent être faites sur la base de ces données binaires pour déduire les préférences des utilisateurs à partir de cette entrée secrète.

Il est raisonnable de supposer que les spectateurs apprécient le contenu avec lequel ils ont interagi et ignorent le contenu qui n’a pas attiré leur attention. Cette supposition, cependant, est rarement correcte dans une utilisation réelle. Il est possible qu’un consommateur n’interagisse pas avec un produit parce qu’il ignore même son existence. Par conséquent, il est plus plausible de supposer que les utilisateurs ignorent simplement ou ne se soucient pas des aspects avec lesquels ils ne peuvent pas interagir.

Des études ont supposé que la tendance est de favoriser les produits avec lesquels on est déjà familiers plutôt que ceux avec lesquels on ne l’est pas. Cette idée a servi de base au classement personnalisé bayésien (BPR), une technique de recommandation sur mesure. Dans le BPR, les données sont transformées en un tenseur binaire tridimensionnel appelé D, où la première dimension représente les utilisateurs.

• Comment les solutions GenAI révolutionnent l’automatisation des entreprises Découverte des applications LLM pour les cadres
• Classification avec le Perceptron de Rosenblatt
• Thèmes par classe utilisant BERTopic

Une nouvelle étude d’Apple a créé une variante du modèle de notation de produit de base (BPR) populaire qui ne repose pas sur la transitivité. Pour la généralisation, ils proposent une décomposition tensorielle alternative. Ils introduisent la décomposition anti-symétrique tranchée (SAD), un modèle novateur basé sur des commentaires implicites pour la filtration collaborative. En utilisant une perspective tensorielle tridimensionnelle novatrice des interactions utilisateur-objet, SAD ajoute un vecteur latent supplémentaire à chaque objet, contrairement aux méthodes conventionnelles qui estiment une représentation latente des utilisateurs (vecteurs utilisateurs) et des objets (vecteurs objets). Pour produire des interactions entre les objets lors de l’évaluation des préférences relatives, ce nouveau vecteur généralise les préférences dérivées par des produits scalaires réguliers à des produits scalaires génériques. Lorsque le vecteur se réduit à 1, SAD devient un modèle de filtrage collaboratif de pointe ; dans cette recherche, nous permettons à sa valeur d’être déterminée à partir des données. La décision de permettre aux valeurs du nouveau vecteur objet de dépasser 1 a des conséquences importantes. L’existence de cycles dans les comparaisons par paires est interprétée comme une preuve que les modèles mentaux des utilisateurs ne sont pas linéaires.

L’équipe présente une méthode rapide de descente de coordonnées de groupe pour l’estimation des paramètres de SAD. Une descente de gradient stochastique (SGD) simple est utilisée pour obtenir rapidement des estimations précises des paramètres. À l’aide d’une étude simulée, ils démontrent d’abord l’efficacité de SGD et l’expressivité de SAD. Ensuite, en utilisant le trio de ressources disponibles gratuitement mentionné ci-dessus, ils confrontent SAD à sept autres modèles de recommandation SOTA. Ce travail montre également que l’intégration de données et de relations entre entités précédemment ignorées permet au modèle mis à jour de fournir des résultats plus fiables et précis.

Pour ce travail, les chercheurs désignent les filtrages collaboratifs sous le nom de commentaires implicites. Cependant, les applications de SAD ne se limitent pas aux types de données mentionnés ci-dessus. Les ensembles de données avec des évaluations explicites, par exemple, contiennent des ordres partiels qui peuvent être utilisés immédiatement lors de l’ajustement du modèle, par opposition à la pratique actuelle consistant à évaluer la cohérence du modèle a posteriori.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!