Auteurs: Shaina Raza, Amirmohammad Kazemeini

Ce blog est basé sur le document d'étude "A Comprehensive Review of Recommender Systems".

Les systèmes de recommandation (SR) associent l'intelligence artificielle (IA) et la personnalisation d'une manière qui a révolutionné la façon dont les gens interagissent avec les plateformes numériques. Qu'il s'agisse de Netflix qui sait ce que vous voulez regarder ou d'Amazon qui vous suggère des produits dont vous ne saviez pas que vous aviez besoin, les systèmes de recommandation sont les moteurs d'expériences personnalisées qui rendent la vie numérique plus attrayante et plus efficace.

Sous le capot : comment fonctionnent les systèmes de recommandation

À la base, les RS visent à prédire les préférences des utilisateurs et à suggérer des éléments - films, produits ou articles - qui correspondent aux préférences de l'utilisateur. Ils y parviennent en analysant :

• Profils d'utilisateurs : Informations telles que les données démographiques, l'historique de navigation ou les interactions passées.
• Caractéristiques de l'article : Caractéristiques telles que les genres ou les attributs du produit.
• Retour d'information : Explicite (par exemple, évaluations) ou implicite (par exemple, clics).

L'objectif est simple mais puissant : améliorer la satisfaction et l'engagement des utilisateurs en 

formuler des recommandations pertinentes.

Les modèles classiques : Fondements des systèmes de recommandation

Le premier système de recommandation remonte à 1979 et au système de recommandation de livres d'Elaine Rich, basé sur les préférences des utilisateurs classées en "stéréotypes". Depuis lors, trois approches fondamentales ont vu le jour :

• Le filtrage collaboratif (CF) : Cette méthode s'appuie sur les interactions entre l'utilisateur et l'élément, recommandant des éléments en fonction des similitudes entre les utilisateurs ou les éléments. Bien qu'efficace, le filtrage collaboratif se heurte à des difficultés telles que le problème du démarrage à froid (manque de données pour les nouveaux utilisateurs ou éléments) et la rareté des données.
• Filtrage basé sur le contenu (CBF) : Il se concentre sur les attributs des articles et les préférences de l'utilisateur pour faire des recommandations. Cependant, il peut ne pas suggérer des articles divers ou nouveaux en dehors des préférences historiques de l'utilisateur.
• Méthodes hybrides : Combinaison de la CF et de la CBF pour atténuer leurs limites et améliorer la précision.

Progrès dans les systèmes de recommandation

La technologie a évolué, tout comme le RS. Voici quelques avancées récentes :

1. Modèles basés sur l'apprentissage profond

L'apprentissage profond a révolutionné le paysage du RS, en introduisant des méthodes capables de capturer des relations sophistiquées entre les utilisateurs, les articles et leurs interactions. En s'appuyant sur des réseaux neuronaux, ces systèmes modélisent des modèles complexes dans des ensembles de données à grande échelle, ce qui permet d'améliorer considérablement la précision et la personnalisation des recommandations.

Les principales techniques sont les suivantes

• Réseaux neuronaux : Les modèles tels que les perceptrons multicouches (MLP) et les réseaux neuronaux récurrents (RNN) excellent dans la modélisation des relations non linéaires et temporelles, offrant une personnalisation avancée et une adaptabilité dynamique au comportement de l'utilisateur. Mais leur coût de calcul élevé et leur susceptibilité à l'ajustement excessif en cas de données insuffisantes posent des problèmes.

• Autoencodeurs : Ces modèles non supervisés reconstruisent les matrices d'interaction entre l'utilisateur et l'article pour tenir compte de la rareté des données et découvrir les préférences cachées des utilisateurs. Cependant, ils sont sensibles aux données bruitées et manquent souvent d'interprétabilité, ce qui limite leur déploiement à grande échelle.

• Transformateurs : Les mécanismes d'auto-attention, comme BERT4Rec, capturent les dépendances à long terme dans le comportement de l'utilisateur pour des performances supérieures dans les recommandations séquentielles. Mais leurs exigences en matière de formation et de déploiement, qui nécessitent des ressources importantes, requièrent une infrastructure informatique et une expertise considérables.

2. Approches basées sur les graphes

Les approches basées sur les graphes modélisent les utilisateurs et les éléments comme des nœuds dans un graphe, les arêtes représentant leurs interactions ou leurs relations, ce qui permet aux systèmes de découvrir des connexions indirectes et de capturer des informations contextuelles riches. Ces méthodes traitent efficacement les problèmes de rareté et de démarrage à froid en tirant parti des relations structurelles dans le graphe, ce qui permet de fournir des recommandations hautement personnalisées et relationnelles. Toutefois, elles se heurtent à des problèmes d'évolutivité dans les grands graphes, à des exigences de calcul élevées et à la nécessité de disposer de données de haute qualité et bien structurées pour obtenir des performances optimales.

3. Modèles séquentiels et par session

Les modèles séquentiels et basés sur les sessions analysent le comportement de l'utilisateur au fil du temps, en se concentrant sur la dynamique temporelle pour prédire les actions futures. Ces modèles excellent dans des scénarios tels que le commerce électronique et la diffusion de médias en continu, où la compréhension de l'ordre des interactions est essentielle pour obtenir des recommandations pertinentes. En saisissant des modèles dans les séquences d'activité de l'utilisateur, ils prennent en compte les préférences à court terme et adaptent les recommandations aux comportements récents. 

4. Grands modèles linguistiques (LLM)

Les grands modèles linguistiques (LLM) tels que GPT ont considérablement amélioré la RS en exploitant les entrées du langage naturel pour fournir des suggestions contextuellement pertinentes et hautement personnalisées. Ces modèles relèvent des défis pratiques, tels que le problème du démarrage à froid, en utilisant les métadonnées de l'utilisateur et de l'article, ce qui améliore la précision des recommandations dans des domaines tels que le commerce électronique et les loisirs. Ils prennent également en charge l'apprentissage dynamique, permettant aux systèmes de s'adapter aux interactions des utilisateurs en temps réel, ce qui améliore l'engagement et la satisfaction des utilisateurs.

5. Systèmes spécialisés

• RS tenant compte du contexte : ces systèmes tiennent compte de facteurs tels que la localisation, l'heure ou le type d'appareil pour fournir des recommandations très pertinentes, répondant ainsi efficacement au besoin d'adaptation dynamique et situationnelle. Cependant, ils sont souvent confrontés à des difficultés pour collecter et intégrer de manière transparente diverses données contextuelles.
• RS explicable : en fournissant des recommandations transparentes et compréhensibles, ces systèmes renforcent la confiance des utilisateurs et encouragent l'adoption, en particulier dans les domaines sensibles. Leur principal défi consiste à trouver un équilibre entre la transparence et la complexité des algorithmes modernes.
• RS tenant compte de l'équité : ces modèles atténuent les biais dans les recommandations, garantissant des résultats équitables pour les divers groupes d'utilisateurs. Le défi est ici de parvenir à l'équité sans compromettre de manière significative les performances du système ou la personnalisation.

Applications dans le monde réel

Déployés partout, les RS transforment les industries : 

• Commerce électronique : Amazon attribue 35 % de son chiffre d'affaires à son moteur de recommandation. Il propose des produits adaptés à vos habitudes d'achat.
• Divertissement : Le moteur de recommandation de Netflix est l'un des principaux moteurs de son chiffre d'affaires annuel de 54 milliards de dollars, car il permet d'attirer les téléspectateurs grâce à des suggestions personnalisées.
• Soins de santé : RS aide à la planification de traitements personnalisés tout en respectant les règles strictes de confidentialité telles que HIPAA.
• Finance : Les conseillers financiers alimentés par l'IA recommandent des investissements en fonction de votre appétence au risque et des tendances du marché.
• L'éducation : Les plateformes d'apprentissage adaptatif utilisent la RS pour créer des parcours d'apprentissage personnalisés pour les étudiants en fonction de leurs progrès et de leurs préférences.

Défis en matière de systèmes de recommandation

Malgré leur succès, les SRM sont confrontés à certains défis :

• Problème de démarrage à froid : Difficulté à recommander des articles pour de nouveaux utilisateurs ou produits en raison du manque de données historiques.
• Évolutivité : Gestion de grands ensembles de données avec des millions d'utilisateurs et d'éléments.
• Diversité ou précision : équilibre entre les recommandations personnalisées et l'exposition à des contenus inédits.
• Préoccupations en matière de protection de la vie privée : Assurer la conformité avec des réglementations telles que le GDPR tout en maintenant la personnalisation.
• Atténuation des biais : Éviter les biais algorithmiques qui pourraient perpétuer des résultats injustes.
• Adaptation en temps réel : Mise à jour continue des recommandations en fonction de l'évolution des préférences de l'utilisateur.

Le chemin à parcourir : Quelle est la prochaine étape pour les systèmes de recommandation ?

Des développements passionnants en matière de RS se profilent à l'horizon :

• Explicabilité : Améliorer la transparence pour renforcer la confiance des utilisateurs.
• L'équité : Développer des algorithmes qui garantissent des recommandations équitables pour les différents groupes d'utilisateurs.
• Intégration des données multimodales : Combinaison de textes, d'images, de sons et de vidéos pour des recommandations plus riches.
• Personnalisation en temps réel : S'adapter instantanément à l'évolution du comportement de l'utilisateur.
• Pratiques éthiques en matière d'IA : Garantir des algorithmes préservant la vie privée et conformes aux valeurs de la société.

Conclusion

Les SR sont une combinaison parfaite de théorie et de pratique, la recherche universitaire stimulant l'innovation et l'application industrielle ayant un impact. Des modèles fondamentaux, comme le filtrage collaboratif, aux techniques avancées tirant parti de l'apprentissage profond et des LLM, les RS ont parcouru un long chemin pour façonner des expériences numériques personnalisées. Il sera essentiel de combler le fossé entre le monde universitaire et l'industrie pour relever des défis tels que l'évolutivité, l'équité et la protection de la vie privée, tout en ouvrant de nouvelles perspectives de personnalisation dans divers domaines.