Stratégies de bandit pour les systèmes de recommandation. (Bandit strategies for recommender systems)
نویسنده
چکیده
Jury : Mme Josiane MOTHE – Institut de Recherche en Informatique de Toulouse (IRIT), Co-Directeur de thèse M. Aurélien GARIVIER – Institut de Mathématiques de Toulouse (IMT), Co-Directeur de thèse M. Max CHEVALIER – Institut de Recherche en Informatique de Toulouse (IRIT), Co-Directeur de thèse M. Olivier CAPPÉ – Laboratoire Traitement et Communication de l'Information (LTCI), CNRS, Télécom ParisTech, Rapporteur Mme Violaine PRINCE – Laboratoire d'Informatique, de Robotique et de Microélectronique de Montpellier (LIRMM), Rapporteur M. Fabio CRESTANI – University of Lugano, Examinateur M. Bruno GOUTORBE – Cdiscount, Examinateur
منابع مشابه
Algorithmes de bandit pour les systèmes de recommandation : le cas de multiples recommandations simultanées
The multiple-plays recommender systems (RS) make a refer to RS which recommend several items to the users. Most of RS are based on learning models in order to choose items to be recommended. Among learning models, the bandit algorithms offer the advantage to learn and exploite the already learnt elements at the same time. The current approaches require running as many instance of single-play ba...
متن کاملAlgorithme de bandit et obsolescence : un modèle pour la recommandation
Un nombre croissant de systèmes numériques font appel à des algorithmes de bandits pour combiner efficacement exploration de l’environnement et exploitation de l’information accumulée. Les modèles de bandits classiques sont toutefois assez naïfs : ils se bornent à un nombre fixé de choix disponibles (appelés bras), et à des réponses ne variant pas au cours du temps. Pour les moteurs de recomman...
متن کاملAlgorithmes de bandits pour la recommandation à tirages multiples
The multiple-play recommender systems (RS) are RS which recommend several items to the users. RS are based on learning models in order to choose the items to recommend. Among these models, the bandit algorithms offer the advantage to learn and exploite the learnt elements at the same time. Current approaches require running as many instances of a bandit algorithm as there are items to recommend...
متن کاملApport des données thématiques dans les systèmes de recommandation : hybridation et démarrage à froid
Résumé. Des travaux récents (Pilaszy et al., 2009) suggèrent que les métadonnées sont quasiment inutiles pour les systèmes de recommandation, y compris en situation de cold-start : les données de logs de notation sont beaucoup plus informatives. Nous étudions, sur une base de référence de logs d'usages pour la recommandation automatique de DVD (Netflix), les performances de systèmes de recomman...
متن کاملBandits Warm-up Cold Recommender Systems
We address the cold start problem in recommendation systems assuming no contextual information is available neither about users, nor items. We consider the case in which we only have access to a set of ratings of items by users. Most of the existing works consider a batch setting, and use cross-validation to tune parameters. The classical method consists in minimizing the root mean square error...
متن کامل