<note>Thèmes : Machine Learning, Data Mining, Système de recommandation, Sequence embedding

Encadrant(s) : Marc Plantevit

Laboratoire : LIRIS

Equipe : DM2L </note>

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.

Nous avons récemment développer un algorithme efficace et qui permet de fournir des éclairages sur la recommandation. Cependant, les explications apportées pour chaque recommandation ne sont pas toujours suffisante. Notamment, les rôles des actions récentes de l'utilisateur et de son historique global ne sont pas toujours clairs.

L'objectif de ce projet est d'améliorer la partie explicative de ce modèle.

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

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