Système de recommandation basé sur la taxonomie et les feedbacks implicites dans un contexte Business-to-Business

Saraei, T., Benali, M. et Frayret, J.-M. (2023) Système de recommandation basé sur la taxonomie et les feedbacks implicites dans un contexte Business-to-Business. Dans CIGI Qualita MOSIM 2023, Trois-Rivières, Québec, Canada DOI 10.60662/d6w8-v505.

Prévisualisation

Texte CIGI_QUALITA_MOSIM_2023_paper_1057.pdf Télécharger (608kB) | Prévisualisation

Résumé

Dans le domaine des systèmes de recommandation, le filtrage collaboratif est une technique couramment employée qui
suggère des produits aux utilisateurs actifs sur la base des évaluations antérieures faites par des utilisateurs similaires (appelés utilisateurs voisins). Cependant, cette approche performe moins bien si la sparsité est élevée. Ceci est généralement le cas dans un contexte B2B où peu d'évaluations sont générées par les utilisateurs, ce qui entraîne une diminution de la précision dans la prédiction des préférences des utilisateurs, et génère donc des recommandations de moindre qualité. Pour résoudre ce problème, nous proposons une approche innovante qui intègre l'utilisation de la taxonomie des produits et l'extraction de règles d'association. Notre approche implique la génération d'une nouvelle taxonomie explicite basée uniquement sur les descriptions textuelles des produits, suivie de l'amélioration de la matrice utilisateur-produit grâce à l'utilisation des résultats de l'extraction de règles d'association. Nous incorporons ensuite des produits complémentaires pour les utilisateurs en fonction de leurs habitudes d'achat de produits de base selon les règles d'association extraites. Finalement, nous utilisons la méthode des moindres carrés alternatifs implicites (i-ALS) et initialisons les matrices de facteurs latents avec des valeurs obtenues par décomposition en valeurs singulières (BLSSVD++). Pour valider l'approche que nous proposons, le cas d’un distributeur québécois a été considéré. Les résultats obtenus à partir des commentaires déduits implicitement des données d'achat ont indiqué une amélioration des performances par rapport aux approches conventionnelles.

In the field of recommender systems, collaborative filtering is a commonly used technique that suggests products to active users based on previous reviews by similar users (called neighboring users). However, this approach performs less well if sparsity is high. This is usually the case in a B2B context where few reviews are generated by users, which leads to a decrease in the accuracy in predicting users' preferences, and thus generates lower quality recommendations. To address this problem, we propose an innovative approach that integrates the use of product taxonomy and association rule mining. Our approach involves the generation of a new explicit taxonomy based solely on textual product descriptions, followed by the improvement of the user-product matrix using the results of association rule mining. We then incorporate complementary products for users based on their basic product buying habits according to the extracted association rules. Finally, we use the implicit alternative least squares (i-ALS) method and initialize the latent factor matrices with values obtained by singular value decomposition (BLS-SVD++). To validate our proposed approach, the case from a Quebec distributor has been considered. The results obtained from the feedbacks implicitly deduced from the purchase data indicated an improvement of the performances compared to the conventional approaches.

Type de document:	Document issu d'une conférence ou d'un atelier (NON SPÉCIFIÉ)
Mots-clés libres:	Filtrage collaboratif Sparsité Extraction de règles d'association Taxonomie Feedback implicite Collaborative Filtering Sparsity Association Rules Mining Taxonomy Implicit Feedback
Date de dépôt:	15 août 2023 19:10
Dernière modification:	01 sept. 2023 17:46
URI:	https://collection-numerique.uqtr.ca/id/eprint/2001

Actions (administrateurs uniquement)

Éditer la notice