From the archives
Systèmes de recommandation et algorithmes de bandits: notebook ipython pour l'enseignement
Historical material. Affiliations, schedules and roles on this page describe their original context.
Les systèmes de recommandation automatiques à très grande échelle sont aujourd'hui
omniprésents sur internet : ouvrages conseillés à l'achat dans les librairies en ligne,
articles recommandés sur les sites d'information, sans parler des cadres publicitaires qui
financent l'essentiel de très nombreux sites aujourd'hui...
Trouver la meilleure recommandation à faire à un visiteur peut être considéré comme un
"problème de bandits" : il faut en même temps apprendre ses préférences, et utiliser les
interactions déjà passées pour maximiser le nombre de recommandations suivies, tout en
restant capable de gérer des flux de données très importants.
Nous présentons ici quelques-uns des algorithmes les plus célèbres pour résoudre ce type
de problèmes, et notamment l'algorithme ϵ-greedy, l'algorithme UCB (Upper Confidence
Bound), et l'algorithme EXP3 (Exponential weights for Exploration and Exploitation). Leurs
mérites respectifs sont soulignés et discutés, avec la présentation des résultats
théoriques les plus importants les concernant.
Nous montrons en outre comment expérimenter l'efficacité de ces méthodes pour la
recommandation : ceci pose une difficulté particulière, car des jeux de données statiques
rendent peu aisée l'évaluation de méthodes vouées à interagir avec des utilisateurs. Nous
montrons en particulier comment mettre en place des expériences sur deux jeux de données
célèbres : movielens et jester.
