Skip to Main content Skip to Navigation
Conference papers

Recommandation séquentielle à base de séquences fréquentes

Corentin Lonjarret 1 Marc Plantevit 1 Céline Robardet 1 Roch Auburtin
1 DM2L - Data Mining and Machine Learning
LIRIS - Laboratoire d'InfoRmatique en Image et Systèmes d'information
Résumé : La modélisation des préférences utilisateur et de leur dynamique est au coeur de la construction des systèmes de recommandation séquentielle. Les défis résident dans la combinaison réussie de l'historique des utilisateurs et de leurs actions récentes pour fournir des recommandations personnalisées. Les méthodes existantes s'appuient sur des chaînes de Markov d'ordre fixe, limi-tant la personnalisation. Nous proposons d'utiliser des séquences fréquentes de longueur variable, pour mieux identifier la dynamique séquentielle, et projetons les items dans un espace euclidien en fonction de la préférence utilisateur et de leur historique récent. Une étude empirique sur 13 jeux de données montre que notre méthode surpasse les performances des différentes méthodes de l'état de l'art. De plus, nous pouvons fournir des éclairages sur la recommandation.
Document type :
Conference papers
Complete list of metadatas

https://hal.archives-ouvertes.fr/hal-02914391
Contributor : Corentin Lonjarret <>
Submitted on : Tuesday, August 11, 2020 - 5:06:53 PM
Last modification on : Saturday, August 15, 2020 - 3:30:40 AM

File

1002490.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-02914391, version 1

Citation

Corentin Lonjarret, Marc Plantevit, Céline Robardet, Roch Auburtin. Recommandation séquentielle à base de séquences fréquentes. Extraction et Gestion des Connaissances (EGC), Jan 2019, Metz, France. ⟨hal-02914391⟩

Share

Metrics

Record views

37

Files downloads

16