Chapitre 1.
Introduction au système de recommandation

1.1 Aperçu
1.2 Objectifs du système de recommandation
1.21 Étendue des applications recommandées
1.3 Modèle de base du système de recommandation
1.3.1 Modèle de filtrage collaboratif
1.3.1.1 Types de notations
1.3.1.2 Lien avec l'analyse des valeurs manquantes
1.3.1.3 Le filtrage collaboratif comme généralisation de la modélisation de classification et de régression
1.3.2 Système de recommandation basé sur le contenu
1.3.3 Système de recommandation basé sur les connaissances
1.3.31 Systèmes de recommandation basés sur l'utilité
1.3.4 Système de recommandation démographique
1.3.5 Systèmes de recommandation hybrides et basés sur des ensembles
1.3.6 Évaluation du système de recommandation
1.4 Tâches spécifiques au domaine des systèmes de recommandation
1.4.1 Systèmes de recommandation contextuels
1.4.2 Systèmes de recommandation sensibles au temps
1.4.3 Système de recommandation basé sur la géolocalisation
1.4.4 Système de recommandation sociale
1.4.4.1 Recommandations structurelles pour les nœuds et les liens
1.4.4.2 Recommandations de produits et de contenus tenant compte de l'impact social
1.4.4.3 Systèmes de recommandation fiables
1.4.4.4 Recommandations basées sur les retours des tags sociaux
1.5 Sujets et applications avancés
1.5.1 Problème de démarrage à froid dans les systèmes de recommandation
1.5.2 Système de recommandation résistant aux attaques
1.5.3 Système de recommandation de groupe
1.5.4 Système de recommandation multicritères
1.5.5 Apprentissage actif dans les systèmes de recommandation
1.5.6 Protection de la vie privée dans les systèmes de recommandation
1.5.7 Domaine d'application
1.6 Résumé
1.7 Références
1.8 Exercices pratiques

Chapitre 2.
Filtrage collaboratif basé sur le voisinage

2.1 Aperçu
2.2 Principales caractéristiques de la matrice de notation
2.3 Prédiction de la note à l'aide d'une méthodologie basée sur le voisinage
2.3.1 Modèle de voisinage basé sur l'utilisateur
2.3.1.1 Transformation de la fonction de similarité
2.3.1.2 Variation de la fonction de prédiction
2.3.1.3 Variantes du filtrage par groupe de pairs
2.3.1.4 L’impact de la longue traîne
2.3.2 Modèle de voisinage basé sur les articles
2.3.3 Implémentation efficace et complexité de calcul
2.3.4 Comparaison des méthodologies basées sur l'utilisateur et sur l'élément
2.3.5 Avantages et inconvénients des méthodologies de voisinage
2.3.6 Une perspective intégrée sur les méthodologies centrées sur l'utilisateur et sur l'article
2.4 Méthodologies de regroupement et de voisinage
2.5 Réduction de dimensionnalité et méthodologie basée sur le voisinage
2.5.1 Gestion des problèmes de biais
2.5.1.1 Estimation du maximum de vraisemblance
2.5.1.2 Factorisation matricielle directe de données incomplètes
2.6 Modélisation de régression : perspective de la méthodologie des voisins
2.6.1 Régression du plus proche voisin basée sur l'utilisateur
2.6.1.1 Problèmes de parcimonie et de biais
2.6.2 Régression du plus proche voisin basée sur les éléments
2.6.3 Combinaison des méthodes basées sur l'utilisateur et sur l'article
2.6.4 Interpolation conjointe utilisant des pondérations de similarité
2.6.5 Modèle linéaire parcimonieux (SLIM)
2.7 Modèles de graphes pour les méthodes basées sur les voisins
2.7.1 Graphique utilisateur-élément
2.7.1.1 Définition du voisinage par marche aléatoire
2.7.1.2 Définition des voisins à l'aide de l'échelle de Katz
2.7.2 Graphique utilisateur-utilisateur
2.7.3 Graphique article-article
2.8 Résumé
2.9 Références
2.10 Exercices pratiques

Chapitre 3.
Filtrage collaboratif basé sur un modèle

3.1 Vue d'ensemble
3.2 Arbres de décision et de régression
3.2.1 Extension des arbres de décision par filtrage collaboratif
3.3 Filtrage collaboratif basé sur des règles
3.3.1 Exploitation des règles d'association pour le filtrage collaboratif
3.3.2 Modèles spécifiques à l'article vs. modèles spécifiques à l'utilisateur
3.4 Filtrage collaboratif naïf bayésien
3.4.1 Correction du surapprentissage
3.4.2 Exemple d'application de la méthode de Bayes aux évaluations binaires
3.5 Utilisation d'un modèle de classification arbitraire comme boîte noire
3.5.1 Exemple : Utilisation d’un réseau de neurones comme boîte noire
3.6 Modèle à facteurs latents
3.6.1 Intuition géométrique concernant les modèles à facteurs latents
3.6.2 Intuition de faible dimension concernant les modèles à facteurs latents
3.6.3 Principes de base de la factorisation matricielle
3.6.4 Factorisation matricielle non contrainte
3.6.4.1 Descente de gradient stochastique
3.6.4.2 Normalisation
3.6.4.3 Formation progressive aux composantes latentes
3.6.4.4 Applications alternées des moindres carrés et de la descente de coordonnées
3.6.4.5 Intégration des biais utilisateur et article
3.6.4.6 Intégration du feedback implicite
3.6.5 Décomposition en valeurs singulières
3.6.5.1 Une approche itérative simple pour la SVD
3.6.5.2 Approche basée sur l'optimisation
3.6.5.3 Recommandations hors échantillon
3.6.5.4 Exemple de décomposition en valeurs singulières
3.6.6 Factorisation des matrices non négatives
3.6.6.1 Avantages de l'interprétabilité
3.6.6.2 Considérations relatives à la factorisation utilisant un retour d'information implicite
3.6.6.3 Problèmes de calcul et de pondération pour la rétroaction implicite
3.6.6.4 Évaluations incluant les mentions « J’aime » et « Je n’aime pas »
3.6.7 Comprendre la série de factorisation matricielle
3.7 Décomposition et intégration du modèle de voisinage
3.7.1 Modèle d'estimation de référence : Modèle non personnalisé centré sur les biais
3.7.2 Parties voisines du modèle
3.7.3 Partie du modèle relative aux facteurs latents
3.7.4 Intégration des facteurs voisins et latents
3.7.5 Résolution du modèle d'optimisation
3.7.6 Considérations relatives à l'exactitude
3.7.7 Intégration des modèles à facteurs latents avec les modèles aléatoires
3.8 Résumé
3.9 Références
3.10 Exercices pratiques

Chapitre 4.
Système de recommandation basé sur le contenu

4.1 Vue d'ensemble
4.2 Composants de base d'un système basé sur le contenu
4.3 Prétraitement et extraction de caractéristiques
4.3.1 Extraction de caractéristiques
4.3.1.1 Exemple de recommandation de produit
4.3.1.2 Exemple de recommandation de page Web
4.3.1.3 Exemple de recommandation musicale
4.3.2 Représentation et raffinement des caractéristiques
4.3.3 Collecte des préférences et des aversions des utilisateurs
4.3.4 Sélection des éléments de la carte et définition des pondérations
4.3.4.1 Coefficient de Gini
4.3.4.2 Entropie
4.3.4.3 Statistiques du χ²
4.3.4.4 Écart normalisé
4.3.4.5 Définition des pondérations des fonctions
4.4 Apprentissage et filtrage des profils utilisateurs
4.4.1 Classification par plus proches voisins
4.4.2 Connexion à un système de recommandation basé sur les cas
4.4.3 Modèle de classification bayésien
4.4.3.1 Estimation de probabilité intermédiaire
4.4.3.2 Exemple de modèle bayésien
4.4.4 Modèle de classification basé sur des règles
4.4.4.1 Exemple de méthode basée sur des règles
4.4.5 Modèles basés sur la régression
4.4.6 Aperçu d'autres modèles d'apprentissage et comparaisons
4.4.7 Description du système basé sur le contenu
4.5 Recommandations relatives au filtrage basé sur le contenu et au filtrage collaboratif
4.6 Utilisation de modèles basés sur le contenu pour les systèmes de filtrage collaboratif
4.61 Utilisation des profils utilisateur
4.7 Résumé
4.8 Références
4.9 Exercices pratiques

Chapitre 5.
Système de recommandation basé sur les connaissances

5.1 Vue d'ensemble
5.2 Système de recommandation basé sur des contraintes
5.2.1 Retour des résultats associés
5.2.2 Méthodologie d'interaction
5.2.3 Classement des éléments correspondants
5.2.4 Gestion des résultats inacceptables ou des ensembles vides
5.2.5 Ajouter des contraintes
5.3 Recommandations fondées sur des cas
5.3.1 Métriques de similarité
5.3.1.1 Intégration de la diversité dans les calculs de similarité
5.3.2 Méthodologie de modification
5.3.2.1 Corrections simples
5.3.2.2 Modifications complexes
5.3.2.3 Modification dynamique
5.3.3 Description de la modification
5.4 Personnalisation continue des systèmes à base de connaissances
5.5 Résumé
5.6 Références
5.7 Exercices pratiques

Chapitre 6.
Systèmes de recommandation hybrides et basés sur des ensembles

6.1 Vue d'ensemble
6.2 Méthodes d'ensemble du point de vue de la classification
Hybride pondéré 6.3
6.3.1 Combinaison de différents types de modèles
6.3.2 Adaptation par ensachage dans la classification
6.3.3 Injection d'aléatoire
6.4 Commutation hybride
6.4.1 Mécanisme de commutation pour les problèmes de démarrage à froid
6.4.2 Modèle de godet
Hybride Cascade 6.5
6.5.1 Redéfinition continue des recommandations
6.5.2 Boost
6.5.2.1 Modèle de base lesté
6.6 Hybride à fonctionnalités augmentées
6.7 Hybride de méta-niveau
6.8 Combinaison de fonctionnalités hybride
6.8.1 Régression et factorisation matricielle
6.8.2 Fonctionnalités de niveau méta
6.9 Hybride mixte
6.10 Résumé
6.11 Références
6.12 Exercices pratiques

Chapitre 7.
Évaluation du système de recommandation

7.1 Vue d'ensemble
7.2 Paradigme d'évaluation
7.2.1 Recherche auprès des utilisateurs
7.2.2 Évaluation en ligne
7.2.3 Évaluation hors ligne à l'aide d'ensembles de données antérieurs
7.3 Objectifs généraux de la conception de l'évaluation
7.3.1 Précision
7.3.2 Couverture
7.3.3 Fiabilité et confiance
7.3.4 Nouveauté
7.3.5 Surprise
7.3.6 Diversité
7.3.7 Robustesse et stabilité
7.3.8 Évolutivité
7.4 Problèmes de conception pour l'évaluation des recommandations hors ligne
7.4.1 Étude de cas sur l'ensemble de données du prix Netflix
7.4.2 Classification des résultats d'entraînement et de test
7.4.2.1 Holdout
7.4.2.2 Validation croisée
7.4.3 Conception et comparaison de la classification
7.5 Indicateurs de précision pour l'évaluation hors ligne
7.5.1 Mesure de la précision des prédictions de notation
7.5.1.1 RMSE vs. MAE
7.5.1.2 L'influence de la longue traîne
7.5.2 Évaluation du classement par corrélation
7.5.3 Classement par utilité
7.5.4 Évaluation du classement par le biais des caractéristiques opérationnelles du récepteur
7.5.5 Quel indicateur de classement est le meilleur ?
7.6 Limites de l'échelle de mesure d'évaluation
7.6.1 Prévention de la manipulation des évaluations
7.7 Résumé
7.8 Références
7.9 Exercices pratiques

Chapitre 8.
Système de recommandation contextuel

8.1 Vue d'ensemble
8.2 Approche multidimensionnelle
8.2.1 L'importance de la hiérarchie
8.3 Préfiltrage contextuel : une approche basée sur la réduction
8.3.1 Améliorations basées sur l'ensemble
8.3.2 Estimation multi-étapes
8.4 Méthodologie de post-filtrage
8.5 Modélisation contextuelle
8.5.1 Méthodes basées sur les voisins
8.5.2 Modèle à facteurs latents
8.5.2.1 Machine à affacturage
8.5.2.2 Généralisation de la machine de factorisation quadratique
8.5.2.3 Autres applications de la paramétrisation latente
8.5.3 Modèle basé sur le contenu
8.6 Résumé
8.7 Références
8.8 Exercices pratiques

Chapitre 9.
Systèmes de recommandation sensibles au temps et au lieu

9.1 Vue d'ensemble
9.2 Filtrage collaboratif temporel
9.2.1 Modèle basé sur la récence
9.2.1.1 Méthodes basées sur l'atténuation
9.2.1.2 Méthode sous Windows
9.2.2 Traitement périodique du contexte
9.2.2.1 Préfiltrage et postfiltrage
9.2.2.2 Inclusion directe du contexte temporel
9.2.3 Modélisation des notes en fonction du temps
9.2.3.1 Modèle Time-SVD++
9.3 Modèles à temps discret
9.3.1 Modèle de Markov
9.3.1.1 Modèle de Markov sélectif
9.3.1.2 Autres alternatives de Markov
9.3.2 Extraction de motifs séquentiels
9.4 Systèmes de recommandation géolocalisés
9.4.1 Zones privilégiées
9.4.2 Zone de voyage
9.4.3 Combinaison des préférences et des lieux de voyage
9.5 Résumé
9.6 Références
9.7 Exercices pratiques

Chapitre 10.
Structure de réseau recommandée

10.1 Vue d'ensemble
10.2 Algorithme de classement
10.2.1 PageRank
10.2.2 PageRank personnalisé
10.2.3 Applications aux méthodes de voisinage
10.2.3.1 Recommandations des réseaux sociaux
10.2.3.2 Personnalisation des médias sociaux hétérogènes
10.2.3.3 Filtrage collaboratif traditionnel
10.2.4 Rang de similarité
10.2.5 Relation entre la recherche et la recommandation
10.3 Recommandations par classification de groupe
10.3.1 Algorithme de classification itératif
10.3.2 Propagation des étiquettes par marche aléatoire
10.3.3 Applicabilité du filtrage collaboratif aux réseaux sociaux
10.4 Recommandations d'amis : Prédiction des liens
10.4.1 Échelle basée sur le quartier
10.4.2 Échelle de Katz
10.4.3 Échelle basée sur une marche aléatoire
10.4.4 Prédiction des liens en tant que problème de classification
10.4.5 Factorisation matricielle pour la prédiction de liens
10.4.5.1 Factorisation matricielle symétrique
10.4.6 Le lien entre la prédiction de liens et le filtrage collaboratif
10.4.6.1 Utilisation des algorithmes de prédiction de liens dans le filtrage collaboratif
10.4.6.2 Prédiction de liens à l'aide d'algorithmes de filtrage collaboratif
10.5 Analyse d'impact social et marketing de bouche à oreille
10.5.1 Modèle de seuil linéaire
10.5.2 Modèle en cascade indépendant
10.5.3 Évaluation de la fonction d'influence
10.5.4 Modèle d'analyse de l'influence des cibles pour les flux sociaux
10.6 Résumé
10.7 Références
10.8 Exercices pratiques

Chapitre 11.
Systèmes de recommandation axés sur le social et la confiance

11.1 Vue d'ensemble
11.2 Modèles multidimensionnels pour le contexte social
11.3 Méthodologies centrées sur le réseau et sur la confiance
11.3.1 Collecte de données pour la mise en place d'un réseau de confiance
11.3.2 Propagation et agrégation de la confiance
11.3.3 Modèle de recommandation simple sans propagation de confiance
11.3.4 Algorithme TidalTrust
11.3.5 Algorithme MoleTrust
11.3.6 Algorithme TrustWalker
11.3.7 Méthodologie de prédiction des liens
11.3.8 Méthodologie de factorisation matricielle
11.3.8.1 Améliorations de la fonction logistique
11.3.8.2 Variantes de la composante de confiance sociale
11.3.9 Avantages des systèmes de recommandation sociale
11.3.9.1 Recommandations concernant les utilisateurs et les éléments controversés
11.3.9.2 Utilité du démarrage à froid
11.3.9.3 Résistance aux attaques
11.4 Interactions des utilisateurs dans les modèles de recommandation sociale
11.4.1 Expression de la folksonomie
11.4.2 Filtrage collaboratif dans les systèmes de balisage social
11.4.3 Sélection d'étiquettes pertinentes
11.4.4 Modèle de recommandation par étiquetage social sans matrice de notation
11.4.4.1 Méthodologie multidimensionnelle pour les systèmes sensibles au contexte
11.4.4.2 Méthodologie basée sur le classement
11.4.4.3 Méthodologie fondée sur le contenu
11.4.5 Modèle de recommandation par étiquetage social utilisant une matrice de notation
11.4.5.1 Approche de proximité
11.4.5.2 Régression linéaire
11.4.5.3 Factorisation matricielle
11.4.5.4 Méthodes basées sur le contenu
11.5 Résumé
11.6 Références
11.7 Exercices pratiques

Chapitre 12.
Système de recommandation pour la prévention des attaques

12.1 Vue d'ensemble
12.2 Comprendre les compromis des modèles d'attaque
12.2.1 Quantification de l'impact de l'attaque
12.3 Types d'attaque
12.3.1 Attaques aléatoires
12.3.2 Attaque moyenne
12.3.3 Attaque par effet d'entraînement
12.3.4 Attaques populaires
12.3.5 Attaques d'amour/de haine
12.3.6 Attaque par effet d'entraînement inversé
12.3.7 Attaque de détection
12.3.8 Attaque par segment
12.3.9 Efficacité de l'algorithme de recommandation de base
12.4 Détection des attaques dans les systèmes de recommandation
12.4.1 Détection des profils d'attaques personnelles
12.4.2 Détection des profils d'attaque de groupe
12.4.2.1 Méthodes de prétraitement
12.4.2.2 Méthode en ligne
12.5 Stratégies pour une conception de recommandations efficace
12.5.1 Prévention des attaques automatisées à l'aide de CAPTCHA
12.5.2 Utilisation de la confiance sociale
12.5.3 Conception d'un algorithme de recommandation performant
12.5.3.1 Intégration du clustering dans la méthode des voisins
12.5.3.2 Détection des faux profils aux heures recommandées
12.5.3.3 Algorithmes basés sur l'association
12.5.3.4 Factorisation matricielle robuste
12.6 Résumé
12.7 Références
12.8 Exercices pratiques

Chapitre 13.
Sujets avancés en systèmes de recommandation

13.1 Vue d'ensemble
13.2 Classement des apprentissages
13.2.1 Apprentissage par paires de rangs
13.2.2 Apprentissage du classement des listes
13.2.3 Comparaison avec les méthodes d'apprentissage du classement dans d'autres domaines
13.3 Algorithme de bandit multi-bras
13.3.1 Algorithme naïf
13.3.2 Algorithme e-Greedy
13.3.3 Méthode de décalage (limite de confiance supérieure)
13.4 Système de recommandation de groupe
13.4.1 Systèmes collaboratifs et basés sur le contenu
13.4.2 Systèmes à base de connaissances
13.5 Systèmes de recommandation multicritères
13.5.1 Méthodes basées sur les voisins
13.5.2 Méthodes basées sur les ensembles
13.5.3 Système multicritères sans note globale
13.6 Apprentissage actif dans les systèmes de recommandation
13.6.1 Modèle basé sur l'hétérogénéité
13.6.2 Modèle basé sur la performance
13.7 Protection de la vie privée dans les systèmes de recommandation
13.7.1 Protection de la vie privée basée sur la condensation
13.7.2 Difficultés liées aux données multidimensionnelles
13.8 Applications intéressantes
13.8.1 Personnalisation du contenu du portail
13.8.1.1 Profileur dynamique
13.8.1.2 Personnalisation de Google Actualités
13.8.2 Publicité informatisée vs. Systèmes de recommandation
13.8.2.1 L'importance des bandits manchots
13.8.3 Système de recommandation mutuelle
13.8.3.1 Utilisation de méthodes hybrides
13.8.3.2 Utilisation des méthodes de prédiction de liens
13.9 Résumé
13.10 Références

Public cible de ce livre

Il comprend de nombreux exemples et exercices pratiques pour le rendre utilisable comme manuel scolaire, et les chapitres consacrés aux sujets de base et aux algorithmes sont conçus dans l'optique d'un enseignement magistral.
Et nous avons déployé beaucoup d'efforts pour le rendre utile comme outil d'application et de référence pour de nombreux professionnels et chercheurs du secteur industriel.


Structure de ce livre

Chaque chapitre de ce livre est organisé en trois catégories.

1.
Algorithmes et évaluation : Ce chapitre aborde les algorithmes de base des systèmes de recommandation, notamment les méthodes de filtrage collaboratif, les méthodes basées sur le contenu et les méthodes basées sur les connaissances.
Nous abordons également les techniques relatives aux méthodes hybrides et à l'évaluation des systèmes de recommandation.

2.
Systèmes de recommandation spécifiques au domaine et au contexte : Le contexte d’un système de recommandation joue un rôle crucial dans la fourniture de recommandations efficaces.
Par exemple, un utilisateur à la recherche d'un restaurant pourrait vouloir utiliser ses données de géolocalisation comme contexte supplémentaire.
Le contexte d'une recommandation peut être considéré comme une information complémentaire très importante qui influence l'objectif de cette recommandation.
Différents types de domaines, tels que les données temporelles, spatiales et sociales, fournissent différents types de contexte.
Nous aborderons également les problèmes qui se posent lors de l'utilisation d'informations sociales pour accroître la fiabilité du processus de recommandation.
Nous abordons également les machines de factorisation et les systèmes de recommandation fiables.

3.
Sujets avancés et applications : Nous explorons divers aspects de la robustesse des systèmes de recommandation, tels que les systèmes de scellement, les modèles d’attaque et les méthodes de défense.
Des sujets tels que l'apprentissage classé, les bandits manchots, les systèmes de recommandation de groupe, les systèmes multicritères et les systèmes d'apprentissage actif sont également abordés.
Nous examinons également plusieurs environnements d'application dans lesquels il a été utilisé, tels que les systèmes de recommandation d'actualités, la recherche par requêtes et la publicité informatisée.
La section « Applications » propose des idées sur la manière d'appliquer les méthodes présentées dans les chapitres précédents à d'autres domaines.

Note de l'auteur

Avec l'essor du Web comme média essentiel pour les entreprises et le commerce électronique, l'importance des systèmes de recommandation s'est accrue dans les années 1990.
Le web offre des possibilités de personnalisation sans précédent que les autres canaux ne peuvent tout simplement pas offrir.
Nous avons notamment mis en place une interface utilisateur permettant de recommander des articles, ce qui facilite la collecte de données.
Depuis, les systèmes de recommandation ont considérablement gagné en notoriété auprès du grand public.
De nombreuses conférences et ateliers ont été consacrés exclusivement aux systèmes de recommandation, la conférence de l'ACM étant particulièrement remarquable.
Parce qu'il contribue régulièrement et de manière significative aux derniers résultats concernant les systèmes de recommandation.
Le sujet des systèmes de recommandation est très diversifié.
En effet, lors de la création de recommandations, vous pouvez spécifier différents types, tels que les « préférences de l'utilisateur » et les « exigences de l'utilisateur ».
Les méthodes les plus connues dans les systèmes de recommandation sont le filtrage collaboratif, les méthodes basées sur le contenu et les méthodes basées sur les connaissances.
Ces trois méthodes constituent la base de la recherche sur les systèmes de recommandation.
Ces dernières années, des méthodes spécifiques ont été conçues pour différents domaines et contextes de données tels que le temps, le lieu et les informations sociales.
Nous avons proposé de nombreuses méthodes avancées applicables à des scénarios particuliers et à divers domaines d'application tels que l'exploration des journaux de requêtes, la recommandation d'actualités et la publicité computationnelle.
Ce livre est structuré de manière à refléter ces thèmes clés.

Note du traducteur

La « recommandation » est une méthodologie qui peut être utilisée non seulement dans certains secteurs d'activité, mais aussi dans une grande variété d'autres, et qui est particulièrement recherchée de nos jours, alors que les données commencent tout juste à s'accumuler.
Cependant, il était difficile de trouver un ouvrage qui présentait les situations dans lesquelles les algorithmes recommandés devaient être utilisés, ainsi que les avantages et les inconvénients de chaque algorithme par rapport à leur utilité générale.
De plus, il est encore plus difficile de trouver des documents rédigés dans un langage compréhensible par des non-spécialistes autres que les ingénieurs et les scientifiques des données.
Je pense que ce livre répondra à toutes vos questions, et comme de nouveaux modèles d'apprentissage automatique émergent sur la base des algorithmes fondamentaux présentés dans cet ouvrage, je suis convaincu qu'il sera encore plus utile pour comprendre les algorithmes de recommandation actuels.


Park Hee-won

En traduisant ce livre, j'ai appris que les systèmes de recommandation ne sont pas seulement des algorithmes spécifiques utilisés dans des domaines spécifiques, mais qu'ils sont appliqués dans tous les secteurs d'activité.
Je pense que ce livre serait utile à ceux qui souhaitent comprendre les systèmes de recommandation, car il fournit des explications théoriques allant des explications de base des algorithmes aux algorithmes les plus récents que les praticiens peuvent utiliser.


Lee Joo-hee

J'ai découvert ce livre pour la première fois dans un cours sur les systèmes de recommandation à l'université.
Je souhaitais en savoir plus sur les systèmes de recommandation, j'ai donc cherché des livres sur le sujet dans les librairies en ligne, mais je n'ai trouvé aucun ouvrage traitant de la théorie des systèmes de recommandation.
J'ai donc trouvé ce livre parmi les ouvrages de référence qui traitent de la théorie des systèmes de recommandation, des notions de base aux concepts avancés.
Ce livre offrait une bonne opportunité de comprendre les systèmes de recommandation, mais j'ai été déçu de constater qu'il n'existait pas d'ouvrage similaire en Corée.
J’ai donc traduit ce livre afin de faciliter l’accès à ce domaine pour ceux qui souhaitent étudier, faire des recherches et appliquer concrètement les systèmes de recommandation.


Lee Jin-hyung