Systèmes de recommandation pour la TV numérique : un bref état de l’art

1. Systèmes de recommandation pour la TV numérique :un bref état de l’art Charles Madeira

2. Programme de la TNT • La TV numérique • Les systèmes de recommandation • Quelques systèmes de recommandation proposés pour la TV numérique • Discussion

3. TV numérique • Problématique dans le point de vue de l’IA • La TV numérique permet que ses utilisateurs accèdent à un très grand nombre d’émissions • Cela rend le choix des émissions long et pénible • Les guides électroniques de programmes (EPG) ont été mis en place afin d’augmenter l’accessibilité des émissions disponibles • La surcharge d’informations combinée à une interface graphique rudimentaire ne rend pas la vie des utilisateurs plus facile

4. TV numérique • Solution générale [Ardissono et al. 2004] • Fournir des EPG personnalisés pour aider les utilisateurs dans le traitement du grand nombre d’informations disponibles • Voie adoptée • Les systèmes de recommandation • Domaine de recherche développé depuis le milieu des années 90 [Adomavicius et Tuzhilin 2005] • Un grand nombre de problèmes sont posés • Un grand nombre d’applications pratiques existent

5. Systèmes de recommandation • Formalisation • N est un ensemble d’utilisateurs • S est un ensemble d’items (émissions dans le cas de la TV) qui peuvent être recommandés • V : N x S→ est une fonction d’évaluation à valeurs réelles qui indique l’intérêt d’un item s ЄS pour un utilisateur n ЄN • Chaque élément n ЄN peut être défini par un profil composé de plusieurs caractéristiques de l’utilisateur • L’âge, le sexe, la situation familiale, le niveau de scolarité, etc. • Chaque élément s ЄS peut être défini par plusieurs caractéristiques de l’item • Exemple d’une émission télévisée : • La chaîne, le titre, la catégorie, le producteur, les acteurs, la date de production, etc.

6. Systèmes de recommandation • But • Pour chaque utilisateur n ЄN, un item s' ЄS doit être sélectionné afin de maximiser la satisfaction de l’utilisateur • Problème central • Les items qui n’ont pas encore été évalués par chaque utilisateur doivent être évalués automatiquement dans le cadre du processus de recommandation • La fonction d’évaluation V doit être extrapolée à l’ensemble N x S • à l’aide d’heuristiques validées empiriquement • à l’aide d’un modèle qui maximise un certain critère de performance

7. Systèmes de recommandation • Classement adopté par la communauté [Balabanovic et Shoham 1997] • Approches fondées sur le contenu • Le système recommande des items similaires à ceux que l’utilisateur a déjà apprécié précédemment • Il est nécessaire de se doter d’une mesure de corrélation entre les différents items permettant d’apprécier leur degré de ressemblance • Approches fondées sur la collaboration • Le système recommande des items apprécies précédemment par d’autres utilisateurs qui ont des préférences similaires • Il est nécessaire de se doter d’une mesure de corrélation entre les utilisateurs • Approches hybrides • Combinaison de deux approches ci-dessus

8. Systèmes de recommandation • Toutes les approches requièrent un profil de l’utilisateur contenant de l’information sur ses goûts, préférences et besoins • Ce profil peut être obtenu • Explicitement (questionnaires) • Le plus précis bien qu’il puisse avoir une disparité entre l’auto-description et le comportement réel • Les recommandations peuvent être faites rapidement • Il nécessite un niveau d’effort considérable de la part de l’utilisateur • Implicitement • A partir des comportements de l’utilisateur • Il permet d’appréhender les comportements réels de l’utilisateur • Il faut attendre le rassemblement de l’information implicite nécessaire • L’interprétation des comportements réels peut être trompeuse • Un utilisateur peut par exemple regarder une émission sans vraiment l’aimer • A partir des préférences identifiées pour un groupe d’utilisateurs

9. Approches fondées sur le contenu • Les avantages • La recommandation peut être réglée selon les préférences personnelles d’un utilisateur individuel • Les inconvénients • Dépendance aux caractéristiques associées au contenu • L’extraction d’information est difficile dans le cas des données multimédia • Deux items distincts représentés par la même information ne peuvent pas être différenciés • Sur-spécialisation • La recommandation se restreint aux items similaires à ceux déjà appréciés par l’utilisateur • Doublons de recommandation peuvent se produire lorsque des items distincts désignent un même contenu • Ajout de nouveaux utilisateurs • Le système n’est pas capable de recommander efficacement avant d’obtenir un nombre suffisant d’appréciations de la part de l’utilisateur

10. Approches fondées sur le contenu • Les techniques couramment employées • Celles fondées sur des heuristiques [Lang 1995; Balabanovic et Shoham 1997; Pazzani et Billsus 1997] • TF-IDF (extraction d’information) • Clustering • Celles fondées sur des modèles [Pazzani et Billsus 1997; Mooney et al. 1998; Mooney et Roy 1999; Billsus et Pazzani 1999, 2000; Zhang et al. 2002] • Classifieurs bayésiens • Clustering • Arbres de décision • Réseaux de neurones artificiels

11. Approches fondées sur la collaboration • Les avantages • La recommandation peut être faite même si les traces sur les comportements de l’utilisateur ne sont pas disponibles • Il n’y a pas de sur-spécialisation • Les inconvénients • Ajout de nouveaux items • Le système n’est pas capable de recommander un item avant qu’il ne soit suffisamment apprécié par les utilisateurs • Ajout de nouveaux utilisateurs • Le système n’est pas capable de recommander efficacement avant d’obtenir un nombre suffisant d’appréciations de la part de l’utilisateur • Pénurie d’utilisateurs • Une masse critique d’utilisateurs est requise pour que l’appréciation générale d’un item soit crédible

12. Approches fondées sur la collaboration • Les techniques couramment employées • Celles fondées sur des heuristiques [Resnick et al. 1994; Hill et al. 1995; Shardanand et Maes 1995; Breese et al. 1998; Nakamura et Abe 1998; Aggarwal et al. 1999; Delgado et Ishii 1999; Pennock et Horwitz 1999; Sarwar et al. 2001] • Algorithme des plus proches voisins • Clustering • Théorie des graphes • Celles fondées sur des modèles [Billsus et Pazzani 1998; Pennock et Horwitz 1999; Geyer-Schulz et al. 2000; Goldberg et al. 2001; Pavlov et Pennock 2002; Shani et al. 2002; Yu et al. 2002, 2004; Hofmann 2003, 2004; Marlin 2003; Si et Jin 2003] • Réseaux bayésiens • Clustering • Réseaux de neurones artificiels • Régression linéaire • Modèles probabilistes • Algorithmes évolutionnaires interactifs

13. Approches hybrides • Les avantages • La recommandation peut être faite lorsqu’un item est bien apprécié • par un ensemble d’utilisateurs qui présentent des profils similaires • par l’utilisateur lui-même • La pénurie d’utilisateurs n’est pas un problème si important • Des résultats empiriques démontrent que les recommandations sont plus efficaces que dans le cadre des approches dites pures • C’est l’approche communément adoptée ces dernières années • Les inconvénients • Ajout de nouveaux utilisateurs • Ajout de nouveaux items

14. Approches hybrides • Les techniques couramment employées • Celles fondées sur des heuristiques [Balabanovic et Shoham 1997; Claypool et al. 1999; Good et al. 1999; Pazzani 1999; Billsus et Pazzani 2000; Tran et Cohen 2000; Melville et al. 2002] • Combinaison linéaire des appréciations • Schémas du vote • Introduction de certaines caractéristiques d’une approche dans la heuristique adoptée par l’autre • Celles fondées sur des modèles [Basu et al. 1998; Condliff et al. 1999; Soboroff et Nicholas 1999; Ansari et al. 2000; Popescul et al. 2001; Schein et al. 2002] • Introduction de certaines caractéristiques d’une approche dans le modèle adopté par l’autre • Construction d’un modèle général unifié

15. Comment améliorer davantage l’efficacité des recommandations ? • Comprendre mieux les utilisateurs et les items • Employer des techniques avancées de profilage • Règles d’exploitation des données [Fawcett et Provost 1996; Adomavicius et Tuzhilin 2001] • Séquences [Mannila et al. 1995] • Signatures [Cortes et al. 2000] • Introduire le contexte dans la procédure de recommandation • Par exemple • Quand, où et avec qui une émission est vue ? • Quel est l’état émotionnel de l’utilisateur ?

16. Comment améliorer davantage l’efficacité des recommandations ? • Permettre une appréciation multicritères • Par exemple • Repas, décoration et service dans un restaurant • Fournir des recommandations plus flexibles et moins intrusives • Permettre une customisation des recommandations selon les besoins des utilisateurs • L’utilisateur « fais-le pour moi » • Un système totalement autonome • L’utilisateur « faisons-le ensemble » • Un système partiellement contrôlable • L’utilisateur « laisse-moi contrôler » • Un système totalement contrôlable

17. Les systèmes de recommandation d’émissions télévisées • Les systèmes de recommandation conçus pour la TV sont souvent fondés sur • Une combinaison d’un profil explicite et d’un ou plusieurs profils implicites • Des approches basées sur le contenu ou hybrides

18. Les systèmes de recommandation fondés sur le contenu • [Buczak et al. 2002] • Profil • Explicite • Questionnaire sur les préférences de l’utilisateur (chaîne, genre d’émission, jours et périodes de la journée) • Implicite (traces d’utilisation – utilisateur individuel et ménage) • Réseaux bayésiens • Arbres de décision • Un réseau de neurones artificiels du type RBF fusionne les recommandations faites par chacun des profils • Métriques d’évaluation • Receiver operating characteristic • Erreur quadratique moyenne • Interface utilisateur flexible • Elle permet que la recommandation soit contrôlée par l’utilisateur

19. Les systèmes de recommandation fondés sur le contenu • [Yu et al. 2004] • Profil • Explicite • Questionnaire sur les préférences de l’utilisateur • Implicite (traces d’un utilisateur) • Classifieurs bayésiens • Métrique d’évaluation • Pourcentage du temps écoute • Seuil pour distinguer positif et négatif • Seuil pour jeter certains changements de chaîne • Rappel et précision

20. Les systèmes de recommandation fondée sur le contenu • [Ludwig et al . 2006] • Comprendre comment les utilisateurs choisissent des émissions afin d’améliorer la flexibilité du système • Profil • Explicite (questionnaire sur les préférences de l’utilisateur) • La description textuelle des émissions est prise en compte • Les mots sont groupés selon des thèmes prédéfinis • Ils sont traités afin de refléter les besoins émotionnels des utilisateurs • 107 attitudes émotionnelles sont modélisées

21. Les systèmes de recommandation hybrides • [Dai et Cohen 2003] • Profil • Explicite • Questionnaire sur l’utilisateur et ses préférences • Implicite (traces d’un utilisateur) • Pseudo (groupe d’utilisateurs ayant intérêts similaires) • Métrique d’évaluation • Pourcentage du temps écoute (seuil pour distinguer positif et négatif) • Architecture centralisée • Service disponible à partir d’un fournisseur câble ou satellite

22. Les systèmes de recommandation hybrides • [Potonniée 2004] • Traitement des problèmes de l’ubiquité et de l’intimité des utilisateurs • Profil • Explicite (questionnaire sur l’utilisateur) • Profil implicite (traces d’un utilisateur) • Schémas du vote (contenu) • Arbres de décision (collaboratif) • Métriques d’évaluation • Erreur absolue moyenne • Receiver operating characteristic • Seuil pour distinguer utile et inutile • Architecture décentralisée • Carte à puce qui enregistre et contrôle l’accès au profil

23. Les systèmes de recommandation hybrides • SenSee [Aroyo et al. 2007] • Framework pour « Ambient Home Media » • Web et Set-top Box • Le profil explicite de l’utilisateur et le contexte sont pris en compte • Période de la journée, localisation géographique, thèmes d’intérêt • Une ontologie est employée afin de traiter des concepts et des termes sémantiques des métadonnées • Spécification : TV-Anytime, MPEG7 • User preference description scheme • Usage history description scheme • Sources : XMLTV, BBC Backstage

24. Les systèmes de recommandation hybrides • AIMED [Hsu et al. 2007] • Activités, intérêts, état émotionnel, expériences and information démographique • Profil • Explicite (questionnaire sur l’utilisateur et ses préférences) • Implicite • Traces d’un utilisateur (contenu) • Clustering hiérarchique (collaboration) • Un réseaux de neurones artificiels du type BPN est employé pour fusionner toutes les données • Métrique d’évaluation • Erreur quadratique moyenne

25. Discussion