Elicitation des Préférences dans les Systèmes de Recommandation Conversationnels

Abstract

Les Systèmes de Recommandation Conversationnels (SRC) constituent ces dernières années l’axe de recherche le plus visé dans le domaine de la recommandation. Cependant, le point fort de ces systèmes est leur capacité à prendre en considération les préférences des utilisateurs, en temps réels, à travers leur conversation. Cela nécessite l’utilisation des techniques du Traitement Automatique du Langage Naturel (TALN) afin de pouvoir éliciter les préférences des utilisateurs envers les produits pour enrichir leurs profils. Les développements récents de l’apprentissage automatique dans le TALN, nous rapprochent de la possibilité d’exprimer nos besoins spécifiques en langage naturel et obtenir une réponse à nos questions à la machine. Nous nous intéressons dans ce travail aux méthodes d'élicitation des préférences, en particulier l'analyse des sentiments, à l'aide des techniques du TALN. Pour explorer cette voie, nous avons adapté et étendu nos techniques de modélisation basées sur les transformateurs BERT et LSTM, qui sont les plus récents modèles basés sur l'apprentissage en profondeur dédiés à la tâche d'analyse des sentiments à partir des conversations. Deux modèles BERT ont été utilisés pour déduire le sentiment des utilisateurs. Les performances des modèles ont été testées sur deux ensembles de données différents ; le premier contient des commentaires sur les films, et l’autre des commentaires sur les applications Playstore. Les résultats obtenus étaient très satisfaisants, et montrent que les modèles BERT donnent des résultats intéressants en termes de performances avec le modèle LSTM. Conversational Recommender Systems (CRS) have been the most targeted area of research in the field of recommendation in recent years. However, the strong point of these systems is their ability to take into account the users preferences, in real time, through their conversation. This requires the use of Automatic Natural Language Processing (ANLP) techniques in order to be able to elicit user preferences towards products to enrich their profiles. Recent developments on machine learning in NLP bring us closer to the possibility of expressing our specific needs in natural language and getting our questions answered by the machine. We are interested in this work by the preference elicitation methods, especially sentiment analysis using NLP techniques. To explore this road, we have adapted and extended our modeling techniques based on BERT and LSTM transformers, which are the most recent deep learning based models dedicated to the sentiment analysis task from conversations. Two BERT models were used to infer user sentiment. The performance of the models was tested on two different Datasets; the first one contains comments on movies, and the other Playstore applications comments. The results obtained wer

very satisfactory, and show that the BERT models give interesting results in terms of performance with the LSTM model.