Dynamic Poisson Factorization

Les modèles pour les systèmes de recommandation utilisent des facteurs latents pour expliquer les préférences et les comportements des utilisateurs vis-à-vis d’un ensemble d’éléments (films, livres, documents scientifiques par exemple). En règle générale, les facteurs latents sont supposés être statiques et, compte tenu de ces facteurs, les préférences et comportements observés des utilisateurs sont supposés être générés sans ordre. Ces hypothèses limitent les capacités exploratoires et prédictives de ces modèles, car les intérêts des utilisateurs et la popularité des objets peuvent évoluer avec le temps. Pour résoudre ce problème, nous proposons dPF, un modèle de factorisation matricielle dynamique basé sur le récent modèle de factorisation de Poisson pour les recommandations. dPF modélise les facteurs latents en évolution dans le temps avec un filtre de Kalman et les actions avec les distributions de Poisson. Nous dérivons un algorithme d’inférence variationnelle évolutif pour déduire les facteurs latents. Enfin, nous présentons dPF sur 10 ans de données de clics utilisateur provenant d’arXiv.org, l’un des plus grands dépôts d’articles scientifiques et une formidable source d’informations sur le comportement des scientifiques. De manière empirique, nous constatons une amélioration des performances par rapport aux modèles de recommandation statiques et, plus récemment proposés, dynamiques. Nous fournissons également une exploration approfondie des postérieurs déduits par rapport aux variables latentes.