From the archives
Algorithmes de bandits pour la recommandation à tirages multiples
Historical material. Affiliations, schedules and roles on this page describe their original context.
JournalName: Document numérique (Hermès)
Date: February, 2015
PageStart: 59
PageEnd: 79
Authors: Jonathan LouëdecMax ChevalierAurélien GarivierJosiane Mothe
Abstract: Les systèmes de recommandation (SR) à tirages multiples font
référence aux SR recommandant plusieurs objets en même temps aux utilisateurs. La plupart
des SR s'appuient sur des modèles d'apprentissage afin de décider les objets à recommander.
Parmi ces modèles, les algorithmes de bandits offrent l'avantage d'apprendre tout en
exploitant les éléments déjà appris. Les approches actuelles utilisent autant d'instances
d'un algorithme de bandits que le nombre d'objets que doit recommander le SR. Nous proposons
au contraire de gérer l'ensemble des recommandations par une seule instance d'un algorithme
de bandits pour rendre l'apprentissage plus efficace. Nous montrons sur deux jeux de données
de références (Movielens et Jester) que notre méthode, MPB (Multiple Plays Bandit), obtient
des temps d'apprentissage jusqu'à treize fois plus rapides tout en obtenant des taux de
clics équivalents. Nous montrons également que le choix de l'algorithme de bandits utilisé
influence l'amélioration obtenue.
Direct link: lien direct
Volume: 18
Keywords:
