Filtrage Collaboratif avec un Algorithme d'Ordonnancement

A ce jour, la plupart des travaux en filtrage collaboratif se basent sur la prediction de notes pour generer des recommandations. Dans ce papier, nous choisissons d’explorer une autre voie, consistant a ordonner correctement les articles selon les gouts des utilisateurs. D’abord, nous definissons une erreur d’ordonnancement qui prend en compte les preferences par paires d’articles. Puis nous construisons un algorithme efficace qui optimise cette erreur. Enfin, nous testons notre approche sur une base standard de filtrage collaboratif. Pour cela, nous adaptons le protocole d’evaluation initialement propose par (Marlin, 2004a) pour la prediction de notes a notre cas, ou ce sont des preferences par paires qui sont predites. Nous comparons nos performances avec celles de deux methodes basees sur la prediction de notes. Nous suggerons differentes directions pour continuer l’exploration de notre approche basee sur la prediction d’ordres pour le filtrage collaboratif.

[1]  Tong Zhang,et al.  A Framework for Learning Predictive Structures from Multiple Tasks and Unlabeled Data , 2005, J. Mach. Learn. Res..

[2]  Massih-Reza Amini,et al.  Unsupervised Learning with Term Clustering for Thematic Segmentation of Texts , 2004, RIAO.

[3]  Michael I. Jordan,et al.  Advances in Neural Information Processing Systems 30 , 1995 .

[4]  H. Sebastian Seung,et al.  Learning the parts of objects by non-negative matrix factorization , 1999, Nature.

[5]  Inderjit S. Dhillon,et al.  Generalized Nonnegative Matrix Approximations with Bregman Divergences , 2005, NIPS.

[6]  Benjamin M. Marlin,et al.  Collaborative Filtering: A Machine Learning Perspective , 2004 .

[7]  John Riedl,et al.  Recommender systems in e-commerce , 1999, EC '99.

[8]  Massih-Reza Amini,et al.  Semi-Supervised Learning with Explicit Misclassification Modeling , 2003, IJCAI.

[9]  Jonathan L. Herlocker,et al.  Evaluating collaborative filtering recommender systems , 2004, TOIS.

[10]  Denyse Baillargeon,et al.  Bibliographie , 1929 .

[11]  Thomas Hofmann,et al.  Latent semantic models for collaborative filtering , 2004, TOIS.

[12]  Nathan Srebro,et al.  Fast maximum margin matrix factorization for collaborative prediction , 2005, ICML.

[13]  Thomas Hofmann,et al.  Probabilistic Latent Semantic Analysis , 1999, UAI.

[14]  Koby Crammer,et al.  Pranking with Ranking , 2001, NIPS.

[15]  George Karypis,et al.  Item-based top-N recommendation algorithms , 2004, TOIS.

[16]  Tommi S. Jaakkola,et al.  Weighted Low-Rank Approximations , 2003, ICML.

[17]  Jason D. M. Rennie,et al.  Loss Functions for Preference Levels: Regression with Discrete Ordered Labels , 2005 .

[18]  William W. Cohen,et al.  Proceedings of the 23rd international conference on Machine learning , 2006, ICML 2008.

[19]  Alessandro Sperduti,et al.  Learning Preferences for Multiclass Problems , 2004, NIPS.

[20]  Dennis DeCoste,et al.  Collaborative prediction using ensembles of Maximum Margin Matrix Factorizations , 2006, ICML.

[21]  Yoav Shoham,et al.  Fab: content-based, collaborative recommendation , 1997, CACM.

[22]  Hans-Peter Kriegel,et al.  Collaborative ordinal regression , 2006, ICML.

[23]  Fillia Makedon,et al.  Learning from Incomplete Ratings Using Non-negative Matrix Factorization , 2006, SDM.

[24]  Benjamin M. Marlin,et al.  Modeling User Rating Profiles For Collaborative Filtering , 2003, NIPS.

[25]  Tom M. Mitchell,et al.  Using the Future to Sort Out the Present: Rankprop and Multitask Learning for Medical Risk Evaluation , 1995, NIPS.

[26]  Tommi S. Jaakkola,et al.  Maximum-Margin Matrix Factorization , 2004, NIPS.

[27]  Michael I. Jordan,et al.  Latent Dirichlet Allocation , 2001, J. Mach. Learn. Res..

[28]  William W. Cohen,et al.  Recommendation as Classification: Using Social and Content-Based Information in Recommendation , 1998, AAAI/IAAI.

[29]  Massih-Reza Amini,et al.  Factorisation en matrices non négatives pour le filtrage collaboratif , 2006, CORIA.