Content-based recommendations

Nous développons un modèle collaboratif de factorisation de Poisson (CTPF), un modèle génératif d’articles et les préférences du lecteur. CTPF peut être utilisé pour créer des systèmes de recommandation en s’appuyant sur les historiques et les contenus des lecteurs pour recommander des articles d’intérêt personnalisés. En détail, CTPF modélise à la fois le comportement du lecteur et les textes d’article avec des distributions de Poisson, en reliant les sujets latents qui représentent les textes aux préférences latentes qui représentent les lecteurs. Cela fournit de meilleures recommandations que les méthodes concurrentes et offre un espace latent interprétable pour comprendre les tendances du lectorat. De plus, nous exploitons l’inférence variationnelle stochastique pour modéliser d’énormes jeux de données du monde réel. Par exemple, nous pouvons adapter CPTF à l’ensemble des données d’utilisation arXiv, qui contiennent plus de 43 millions de notes et 42 millions de mots au cours d’une journée. Nous démontrons de manière empirique que notre modèle surpasse plusieurs niveaux de référence, y compris l’approche antérieure à la pointe de la technologie.