CHAPITRE 1 SYSTÈME DE RECOMMANDATION

1.1 Système de recommandation
1.2 Historique des systèmes de recommandation
1.3 Types de systèmes de recommandation
1.4 Systèmes de recherche et de recommandation
_1.5 Résumé

CHAPITRE 2 : PROJET DE SYSTÈME DE RECOMMANDATION

2.1 Trois compétences nécessaires au développement d'un système de recommandation
2.2 Comment procéder pour le projet de système de recommandation
2.3 Résumé

CHAPITRE 3 Interface utilisateur/Expérience utilisateur du système de recommandation

3.1 L'importance de l'interface utilisateur/de l'expérience utilisateur
3.2 Exemples d'interface utilisateur/d'expérience utilisateur adaptés aux besoins des utilisateurs du service
3.3 Cas d'interface utilisateur/d'expérience utilisateur adaptés à l'objectif du fournisseur de services
3.4 Sujets connexes
_3.5 Résumé

CHAPITRE 4 : Aperçu des algorithmes de recommandation

4.1 Classification des algorithmes de recommandation
4.2 Filtrage basé sur le contenu
_4.3 Filtrage collaboratif
4.4 Comparaison du filtrage basé sur le contenu et du filtrage collaboratif
4.5 Sélection d'un algorithme de recommandation
4.6 Caractéristiques des données symboliques
4.7 Résumé

CHAPITRE 5 : DÉTAILS DE L'ALGORITHME DE RECOMMANDATION

_5.1 Comparaison des algorithmes
_5.2 Ensemble de données MovieLens
_5.3 Recommandation aléatoire
5.4 Recommandations fondées sur des informations statistiques ou des règles spécifiques
5.5 Règles de l'association
5.6 Méthode de filtrage collaboratif basée sur la mémoire utilisateur-utilisateur
5.7 Modèle de régression
_5.8 Décomposition matricielle
5.9 Applications des systèmes de recommandation aux méthodes de traitement automatique du langage naturel
_5.10 Apprentissage profond
_5.11 Algorithme de machine à sous (algorithme de bandit)
_5.12 Résumé

CHAPITRE 6 COMBINAISON AVEC DES SYSTÈMES RÉELS

6.1 Vue d'ensemble du système
6.2 Conception des bûches
_6.3 Exemple de système réel
_6.4 Résumé

CHAPITRE 7 Évaluation des systèmes de recommandation

7.1 Trois méthodes d'évaluation
_7.2 Évaluation hors ligne
7.3 Évaluation en ligne
7.4 Évaluation par le biais d'études auprès des utilisateurs
_7.5 Résumé

CHAPITRE 8 Thèmes liés au développement

_8.1 Conférence internationale
_8.2 Biais
8.3 Système de recommandation mutuelle
_8.4 Modélisation de l'élévation
8.5 Caractéristiques et défis par domaine
_8.6 Résumé

ANNEXE A Prix Netflix
_A.1 Fondation de Netflix
_A.2 Développement du système de recommandation
Prix ​​Netflix _A.3
_A.4 Le système de recommandation de Netflix
_A.5 Résumé

ANNEXE B Méthodes de communication utilisateur-utilisateur basées sur la mémoire
_B.1 Processus de recommandation (1) : Trouver des utilisateurs ayant des goûts similaires aux vôtres
_B.2 Processus recommandé (2) : Calcul de la valeur moyenne prévue
_B.3 Processus de recommandation (3) : Recommandation aux utilisateurs

Un guide pratique pour mettre en place un algorithme de recommandation qui vous connaît mieux que vous-même !

En réalité, les systèmes de recommandation existent depuis longtemps.
Le menu recommandé par un restaurant et le classement des livres populaires par une librairie sont également des exemples de systèmes de recommandation.
Avec l'augmentation du nombre de décisions que nous devons prendre au quotidien et la multiplication des choix qui s'offrent à nous, la demande en systèmes de recommandation croît.
Les algorithmes de recommandation ont également progressé à pas de géant, dépassant la méthode standardisée de recommandation d'articles populaires pour fournir des recommandations personnalisées adaptées aux intérêts et aux préférences de chaque individu.


Afficher rapidement aux utilisateurs leurs articles préférés accroît leur satisfaction, ce qui entraîne une augmentation des ventes et du nombre d'abonnés.
Cependant, lors de son application concrète aux services, divers problèmes surviennent.
Cela inclut la meilleure façon de structurer le projet, les systèmes de recommandation à combiner, les données à utiliser, la meilleure façon de présenter les résultats des recommandations et la façon d'évaluer les systèmes de recommandation en ligne avant leur déploiement.
Ce livre répond précisément à ces préoccupations.


Les systèmes de recommandation ne sont plus une fonctionnalité « agréable à avoir », mais une fonctionnalité « indispensable ».
Apprenez les notions de base auprès d'auteurs ayant une expérience concrète dans la création de systèmes de recommandation.
Cela permettra de créer un système de recommandation qui aidera les utilisateurs à prendre des décisions en sélectionnant les articles les plus pertinents parmi une grande variété d'articles.

Structure du contenu

[Chapitre 1 Système de recommandation]
Nous présenterons un aperçu et un historique des systèmes de recommandation, illustrés par quelques exemples.
Nous examinerons également brièvement les différents types de systèmes de recommandation et expliquerons leurs différences par rapport aux systèmes de recherche.

[Chapitre 2 Projet de système de recommandation]
Nous décrivons les membres de l'équipe nécessaires au développement d'un système de recommandation et le déroulement du projet.

[Chapitre 3 : Interface utilisateur/expérience utilisateur du système de recommandation]
Présentation de l'interface utilisateur/de l'expérience utilisateur du système de recommandation.
La conception de l'expérience utilisateur est importante car la manière dont vous présentez les articles recommandés peut augmenter le nombre de clics et d'achats.

[Chapitre 4 : Aperçu des algorithmes de recommandation]
Nous expliquons les algorithmes de recommandation représentatifs, le filtrage collaboratif et la recommandation basée sur le contenu.
Et nous introduisons les données de valeur moyenne en entrée de l'algorithme de recommandation en les divisant en implicites et explicites.

[Chapitre 5 : Détails de l'algorithme de recommandation]
Nous expliquerons séparément les algorithmes de recommandation de popularité et d'analyse matricielle, et nous examinerons également les points à surveiller lors de leur combinaison dans des services concrets.
Nous présentons également le code qui applique chaque algorithme à l'aide d'un ensemble de données cinématographiques appelé MovieLens.

[Chapitre 6 : Combinaison avec des systèmes réels]
En prenant pour exemple un système de recommandation de diffusion d'actualités, nous expliquons comment le système est structuré lorsqu'il intègre des algorithmes de recommandation dans des services du monde réel.
Nous examinerons l'architecture du système de recommandation, notamment la configuration du serveur, la structure du traitement par lots et la conception des journaux.

[Chapitre 7 : Évaluation du système de recommandation]
Décrit différentes métriques d'évaluation pour les systèmes de recommandation.
Outre des indicateurs simples comme l'erreur de prédiction, nous examinons également des indicateurs qui mesurent la diversité des articles recommandés et le caractère inattendu des recommandations.

[Chapitre 8 Sujets liés au développement]
Nous aborderons la Conférence internationale sur les systèmes de recommandation, la suppression des biais et l'inférence causale, qui n'ont pas été traités précédemment.

Public cible

Développeurs et data scientists souhaitant analyser des données et fournir des services personnalisés à chaque client.
Développeurs et planificateurs souhaitant apprendre les bases de l'intégration des systèmes de recommandation dans leurs systèmes de travail.
Les responsables et les planificateurs de produits qui doivent communiquer avec les développeurs pour développer des systèmes de recommandation
Concepteur UI/UX responsable de l'expérience utilisateur du service recommandé