| dbo:abstract
|
- La Factorisation de matrices pour les systèmes de recommandation est une des méthodes utilisées par les services en ligne comme Netflix afin d'accélérer la recherche de recommandations de contenu pour les utilisateurs. Dû à l'explosion sur Internet de la quantité de données numériques concernant des sujets tous plus divers et variés tels que des vidéos, des articles, des images, etc., ainsi qu'à la vaste palette de profils utilisateurs désirant accéder à des informations de la façon la plus précise possible, la nécessité d’élaborer des systèmes de recommandation efficaces est apparue d'elle même. Un exemple parlant est le site de streaming vidéo Netflix, qui compte plus de 60 millions d’utilisateurs dans plus de 60 pays, et possède un catalogue estimé à plus de 100 millions d’heures de visionnage. Les performances de leur système de recommandation est un enjeu majeur pour cette entreprise, d’où la création d’un concours qui, chaque année, permet aux participants de gagner 1 million de dollars afin d’améliorer leur système de recommandation. Pour être le plus efficace possible, le système de recommandation doit avoir le plus large éventail de choix de recommandation possible, et de nombreuses données par utilisateur du service (ce qu’il a aimé, ce qu’il a détesté, ce qu’il a mis de côté pour plus tard, etc.), afin de pouvoir recommander au mieux un utilisateur. L'efficacité de ces systèmes est ainsi fortement corrélée à leur capacité à manipuler des grandes quantités de données et à leur faculté à fournir les meilleurs recommandations pour un utilisateur donné. Afin de réduire la taille de stockage de la matrice, il pourra être intéressant de se concentrer sur une matrice creuse. Malheureusement, une recherche sur une matrice creuse de grande taille sera considérée plus importante en calcul et en temps qu’une recherche sur une matrice creuse de plus petite taille, et pourrait réduire considérablement la qualité de service du système. (fr)
- La Factorisation de matrices pour les systèmes de recommandation est une des méthodes utilisées par les services en ligne comme Netflix afin d'accélérer la recherche de recommandations de contenu pour les utilisateurs. Dû à l'explosion sur Internet de la quantité de données numériques concernant des sujets tous plus divers et variés tels que des vidéos, des articles, des images, etc., ainsi qu'à la vaste palette de profils utilisateurs désirant accéder à des informations de la façon la plus précise possible, la nécessité d’élaborer des systèmes de recommandation efficaces est apparue d'elle même. Un exemple parlant est le site de streaming vidéo Netflix, qui compte plus de 60 millions d’utilisateurs dans plus de 60 pays, et possède un catalogue estimé à plus de 100 millions d’heures de visionnage. Les performances de leur système de recommandation est un enjeu majeur pour cette entreprise, d’où la création d’un concours qui, chaque année, permet aux participants de gagner 1 million de dollars afin d’améliorer leur système de recommandation. Pour être le plus efficace possible, le système de recommandation doit avoir le plus large éventail de choix de recommandation possible, et de nombreuses données par utilisateur du service (ce qu’il a aimé, ce qu’il a détesté, ce qu’il a mis de côté pour plus tard, etc.), afin de pouvoir recommander au mieux un utilisateur. L'efficacité de ces systèmes est ainsi fortement corrélée à leur capacité à manipuler des grandes quantités de données et à leur faculté à fournir les meilleurs recommandations pour un utilisateur donné. Afin de réduire la taille de stockage de la matrice, il pourra être intéressant de se concentrer sur une matrice creuse. Malheureusement, une recherche sur une matrice creuse de grande taille sera considérée plus importante en calcul et en temps qu’une recherche sur une matrice creuse de plus petite taille, et pourrait réduire considérablement la qualité de service du système. (fr)
|
