Variational autoencoders with Gaussian mixture prior for recommender systems

Résumé

Les systèmes de recommandations sont utilisés dans plusieurs domaines, en passant par les engins de recommandations aux plateformes de divertissements comme la musique en ligne ou la vidéo sur demande. Ils sont une composante essentielle lorsqu’une source considérable d’information est disponible aux usagés. Ces systèmes sont en mesure de proposer la bonne information au bon moment. La plupart des techniques ont besoin de récupérer l’impression des usagés sur l’information consommée afin d’émettre la prochaine recommandation. Cependant, cette collecte d’information n’est pas toujours simple, complète et fiable. Une alternative à cette collecte d’information directe est de plutôt recueillir le témoin indiquant l’interaction d’un utilisateur avec un contenu. Radio-Canada, le diffuseur officiel du Canada, a collecté ce type d’information sur sa plateforme de vidéos en continu appelé « Tou.TV ». La société d’État nous a demandé de créer un nouveau système de recommandation qui utilise ces données afin de remplacer le système existant. Cette thèse présente deux architectures hybrides fondées sur les auto-encodeurs variationnels (VAE) avec un à priori basé sur les mélanges de gausiennes afin de mieux comprendre l’espace caché. Nous appliquons ces deux modèles sur les données de Tou.TV, mais également sur l’ensemble de données appelé « MovieLens-20M ». Les modèles présentés apportent des changements simples aux VAE et permettent d’obtenir des résultats compétitifs par rapport aux systèmes populaires.

Date	29 juin 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Patrick Cardinal (Directeur(-trice)) & Marco Pedersoli (Codirecteur(-trice))