Filtrage collaboratif pondéré par le temps

Le filtrage collaboratif est considéré comme l'un des algorithmes de recommandation les plus prometteurs. Les approches basées sur les articles pour le filtrage collaboratif identifient la similarité entre deux articles en comparant les évaluations des utilisateurs à leur sujet. Dans ces approches, les évaluations produites à des moments différents sont pondérées de manière égale. Autrement dit, les changements dans l'intérêt d'achat des utilisateurs ne sont pas pris en compte. Par exemple, un article récemment évalué par un utilisateur devrait avoir un impact plus important sur la prédiction du comportement futur de l'utilisateur qu'un article évalué il y a longtemps. Dans cet article, nous présentons un nouvel algorithme pour calculer les poids temporels pour différents articles de manière à attribuer un poids décroissant aux données anciennes. Plus précisément, les habitudes d'achat des utilisateurs varient. Même un même utilisateur présente des attitudes assez différentes envers différents articles. Notre algorithme proposé utilise le clustering pour discriminer entre différents types d'articles. Pour chaque groupe d'articles, nous suivons le changement d'intérêt d'achat de chaque utilisateur et introduisons un facteur de décroissance personnalisé selon le comportement d'achat propre à l'utilisateur. Des études empiriques ont montré que notre nouvel algorithme améliore substantiellement la précision du filtrage collaboratif basé sur les articles sans introduire de complexité de calcul d'ordre supérieur.