Recommender Systems: Aperçu et méthodes

Cette séance de cours couvre la motivation derrière la prévalence des recommandateurs aujourd'hui, la différence entre le filtrage collaboratif et les recommandateurs basés sur le contenu, le concours du prix Netflix, les méthodes de voisinage, les méthodes de facteurs latents, le surajustement, la régularisation et la descente de gradient stochastique. Il traite de l’évolution des détaillants traditionnels vers les détaillants en ligne, de l’importance du filtrage et du choix dans les services en ligne et du rôle des recommandateurs dans des plateformes comme Amazon, YouTube et Spotify. La séance de cours explore également le filtrage collaboratif, les prédicteurs de base, la formation des modèles, les techniques de régularisation, la validation des modèles et les concepts de modèles de voisinage, de mesures de similarité et de modèles de facteurs latents. Il se termine par une comparaison de la descente du gradient stochastique et de lalternance des moindres carrés pour optimiser les modèles de facteurs latents.