Factorisation des chaînes de Markov personnalisées pour la recommandation du prochain panier

Les systèmes de recommandation sont un composant important de nombreux sites web. Deux des approches les plus populaires sont basées sur la factorisation matricielle (MF) et les chaînes de Markov (MC). Les méthodes MF apprennent le goût général d'un utilisateur en factorisant la matrice des préférences utilisateur-élément observées. D'autre part, les méthodes MC modélisent le comportement séquentiel en apprenant un graphe de transition sur les éléments qui est utilisé pour prédire la prochaine action en fonction des actions récentes d'un utilisateur. Dans cet article, nous présentons une méthode combinant les deux approches. Notre méthode est basée sur des graphes de transition personnalisés sur des chaînes de Markov sous-jacentes. Cela signifie qu'une matrice de transition propre est apprise pour chaque utilisateur - ainsi, au total, la méthode utilise un cube de transition. Comme les observations pour estimer les transitions sont généralement très limitées, notre méthode factorise le cube de transition avec un modèle d'interaction par paires qui est un cas particulier de la décomposition de Tucker. Nous montrons que notre modèle MC personnalisé factorisé (FPMC) englobe à la fois une chaîne de Markov commune et le modèle normal de factorisation matricielle. Pour apprendre les paramètres du modèle, nous introduisons une adaptation du cadre Bayesian Personalized Ranking (BPR) pour les données séquentielles de paniers. Empiriquement, nous montrons que notre modèle FPMC surpasse à la fois la factorisation matricielle commune et le modèle MC non personnalisé, appris avec et sans factorisation.