Healthy Food Recommended System Based on Reinforcement learning

Abstract

Les systèmes de recommandation sont parmi les domaines les plus étudiés en intelligence artificielle à cause de l’émergence du Big data ainsi que leur importance dans une grande variété d’applications, telles que les achats en ligne, etc. De nombreuses approches ont été proposées afin de développer des systèmes de recommandation robustes qui correspondent aux intérêts des utilisateurs, tels que le filtrage collaboratif (FC), le filtrage basé sur le contenu (FBC) et les techniques hybrides. Plusieurs méthodes proposées considèrent l'interaction utilisateur-système comme un processus statique, ce qui dégrade la qualité des recommandations à long terme. Dans ce mémoire, nous avons proposé un modèle d'apprentissage par renforcement en ligne, appelé DeepTaste, pour la recommandation alimentaire. Le modèle proposé utilise Doc2vec pour l'extraction des caractéristiques d'état, et l’algorithme du k-plus proches voisins (kppv) pour générer la liste des éléments recommandés (TopN). L’étude expérimentale a montré que le modèle proposé peut détecter le changement des comportements des utilisateurs et fournir des recommandations adaptées aux intérêts des clients.

Recommendation systems are one of the most widely-studied domains in the field of artificialintelligence, due to the increasing of big data as well as their importance in wide variety of industriessuch as online shopping and entertainment industry and so on. A lot of approaches have been proposedto build robust recommendation systems that match users interests such as collaborative filtering (CF),content-based filtering (CBF) and hybrid techniques. Several proposed approaches take the user—system interaction as a static process which damage the user experience in the long run. In this thesiswe proposed an online model free reinforcement learning framework called DeepTaste for foodrecommendation. The proposed framework use Doc2vec for state features extraction and k nearestneighbor (knn) for generating TopN-recommended items. It showed a quite interesting improvement ofcapturing users behaviors and delivering recommendations that fit users interests.

تُعد أنظمة التوصية من بين المجالات الأكثر دراسة في الذكاء الاصطناعي بسبب ظهور البيانات الضخمة وأهميتها في مجموعة متنوعة من التطبيقات مثل التسوق عبر الإنترنت وما إلى ذلك. تم اقتراح العديد من النهج لتطوير أنظمة توصية قوية تتوافق مع اهتمامات المستخدمين، مثل التصفية التعاونية (FC)، والتصفية المعتمدة على المحتوى (FBC)، والتقنيات الهجينة. العديد من الطرق المقترحة تعتبر التفاعل بين المستخدم والنظام عملية ثابتة، مما يؤدي إلى تدهور جودة التوصيات على المدى الطويل. في هذه الرسالة، اقترحنا نموذج تعلم التعزيز عبر الإنترنت يسمى DeepTaste للتوصية الغذائية. يستخدم النموذج المقترح Doc2vec لاستخراج ميزات الحالة، وخوارزمية الجار الأقرب k (kppv) لتوليد قائمة العناصر الموصى بها (TopN).