Thèmes : Machine Learning, Data Mining, Système de recommandation, Sequence embedding, Deep Neural Networks, Explainable Artificial Intelligence

Encadrant(s) : Marc Plantevit

Laboratoire : LIRIS

Equipe : DM2L

La modélisation de la préférence utilisateur et de la dynamique séquentielle est au coeur de la construction des systèmes de recommandation séquentielle (recommander le prochain item). Les défis résident dans la combinaison réussie entre l'ensemble de l'historique des utilisateurs et de leurs actions récentes pour fournir des recommandations personnalisées. Outre son efficacité, on attend d'un système de recommandation qu'il soit explicable. En d'autres mots, chaque recommandation peut être justifiée.

L'objectif de ce projet est de développer une méthode pour expliquer les recommandations faites par un système de recommandation.

Nous nous focaliserons sur la TOP n recommandation (i.e., des modèles qui proposent une liste ordonnée de n items).

Plusieurs axes de travail sont possibles selon l'appétence du ou des étudiants :

• méthode modèle-agnostique fonctionne pour tout type de modèle vs méthode ad hoc qui étudiera le fonctionnement interne d'un modèle.
• comparaisons de modèles.
• …

• étude des principales méthodes de recommandation
• Proposition et implémentation d'un méthode d'explication des recommandations (plusieurs possibilités en fonction de l'affinité des étudiants)
• Etude empirique de la méthode proposée sur différents jeux de données réels (Amazone, Foursquare, MovieLens, etc.).

Corentin Lonjarret, Céline Robardet, Marc Plantevit, Roch Auburtin, Martin Atzmueller: Why Should I Trust This Item? Explaining the Recommendations of any Model. DSAA 2020: 526-535

Interpretable Machine Learning: A Guide for Making Black Box Models Explainable.Christoph Molnar. 2020-11-23

Ce projet est pertinent pour les étudiants désirant s'orienter vers les parcours de masters 2 DS, TIW, IA.