L’intégration des ontologies et de deep learning dans les systèmes de recommandations à base de filtrage collaboratif

Abstract

Avec l'augmentation rapide des informations sur Internet, les systèmes de recommandation personnalisés sont un moyen efficace d'atténuer le problème de surcharge d'informations, qui a attiré une grande attention ces dernières années. Le filtrage collaboratif traditionnel utilise des méthodes de factorisation matricielle pour apprendre les représentations d'entités cachées des utilisateurs et / ou des éléments.Récemment, le filtrage collaboratif est combiné à divers approches comme l'apprentissage en profondeur et l'ontologie .Ces approches ont montré un fort effet positif dans l'amélioration de la précision.Dans ce travail, nous allons présenter plusieurs approche de filtrage collaboratif. Chaque approche a ses propres avantages et inconvénients et donne de meilleurs résultats dans différentes circonstances. Nous allons discuter des approche basées sur l’ontologie comme l’approche d’incorporation d'ontologies dans les profils d’utilisateurs ainsi que les nouvelles approches basées sur l’apprentissage profond telles que l’auto-encodeurs hétérogènes profond, recommandateur conjonctif collaboratif profond ,méthode de recommandation collaborative hybride via double Auto-encoder. Nous allons discuter de la manière dont le problème bien connu du démarrage à froid est traité dans ces approches.***

With the rapid increase of information on the Internet, personalized referral systems are an effective way to alleviate the problem of information overload, which has attracted much attention in recent years. Traditional collaborative filtering uses matrix factorization methods to learn representations of hidden entities of users and / or elements. Recently, collaborative filtering combined with various approaches like deep learning and ontology these approaches have shown a Strong positive effect in improving accuracy. In this work, we presented several collaborative filtering approaches. Each approach has its own advantages and disadvantages and works best in different circumstances. We discussed ontology-based approaches such as the incorporation of ontologies into user profiles as well as new approaches based on deep learning such as heterogeneous deep auto-encoders, deep collaborative conjunctive recommender, hybrid collaborative recommendation method via double Auto-encoder. We also discussed how the well-known cold start problem is dealt with in these approaches..