Filtrage collaboratif pour les systèmes de recommandation / collaborative filtering recommender system
A recommender system aims at helping users find compelling contents that match their preferences in a large corpus. From e-commerce to online advertisement, recommendation systems are today part of our daily online lives. On YouTube for instance, more than 70 % of watch time comes from recommendation. This shows how important recommendation is to online businesses since being able to recommend the right items to users significantly increases customer retention and it also enhances user satisfaction. In this repository, you will find two implementations of matrix factorization in collaborative filtering, one of the most popular approach to build a recommender system. The notebooks respectively implement a Stochastic Gradient Descent matrix factorization and an Alterning Least square
Qu'est ce qu'un système de recommandation ? Comment fait Netflix pour me recommander des films ? Comment fait Amazon pour me recommander des articles similaires à ceux que j'ai mis dans mon panier ou ceux que j'ai dejà achetés ? Si vous vous êtes déjà posé cette question alors ici se comblera votre curiosité !
Un systeme de recommandation a pour objectif de prédire l’intérêt que peut avoir un utilisateur pour un item (produit) afin de le lui recommander.
Vous trouverez dans ce répertoire une implémentation de la factorisation matricielle dans le filtrage collaboratif pour les systèmes de recommandation. Les deux jupyter notebooks comportent chacun un algorithme de factorisation matricielle. Il s'agit de la méthode des moindres carrés alternés et de la descente de gradient stochastique. Si vous voulez en apprendre un peu plus sur les systèmes de recommandation, vous pouvez lire le fichier Recommandation_filtrage_collaboratif.pdf dans lequel je fais non seulement un état de l'art des systèmes de recommandation classiques mais j'explique aussi les différentes approches pour mettre en place un système en recommandation ainsi que les algorithmes à utiliser (dans la méthode de factorisation matricielle voir le pdf)
Matrix faactorization, Stochastic Gradient Descent, Alterning Least Square