Diversity in Recommandation Systems for E-commerce

Abstract

Les syst`emes de recommandation jouent un rˆole fondamental dans les plateformes num´eriques modernes, notamment dans le commerce ´electronique et les services en ligne. Leur objectif principal est d’identifier les pr´ef´erences des utilisateurs `a partir de leurs interactions pass´ees afin de fournir des suggestions pr´ecises, pertinentes et engageantes. Toutefois, les approches traditionnelles rencontrent encore des difficult´es `a concilier la pr´ecision et la diversit´e, tout en offrant des garanties limit´ees en mati`ere de s´ecurit´e et de confidentialit´e des donn´ees. Cette th`ese pr´esente deux contributions compl´ementaires visant `a d´epasser ces limites. La premi`ere contribution, MycGNN, est un r´eseau neuronal graphique inspir´e des r´eseaux myc´eliens. Il introduit un r´eajustement dynamique des arˆetes et un m´ecanisme probabiliste exploration– exploitation permettant d’am´eliorer significativement la diversit´e des recommandations tout en maintenant une pr´ecision comp´etitive. Les exp´erimentations men´ees sur Retail Rocket et MovieLens-1M montrent que, mˆeme si certains mod`eles surpassent MycGNN en pr´ecision brute, celui-ci offre une diversit´e nettement sup´erieure. La seconde contribution, SFNN, propose un cadre de recommandation conscient des enjeux de s´ecurit´e, combinant pr´ecision, diversit´e et protection des donn´ees. Le mod`ele fusionne un r´eseau neuronal graphique avec un autoencodeur variationnel r´egularis´e afin de favoriser un espace latent plus dispers´e et donc plus diversifi´e. Un m´ecanisme de fusion adaptatif est utilis´e pour agr´eger les pr´edictions, tandis qu’une couche bas´ee sur la blockchain assure l’int´egrit´e et la confidentialit´e des donn´ees. Les exp´eriences sur trois jeux de donn´ees montrent que SFNN atteint des niveaux ´elev´es de pr´ecision et de diversit´e simultan´ement. Ces deux contributions d´emontrent comment les approches bio-inspir´ees, l’apprentissage sur graphes et les technologies d´ecentralis´ees peuvent ensemble faire progresser la nouvelle g´en´eration de syst`emes de recommandation robustes, diversifi´es et fiables تلعب أنظمة التوصية دورًا أساسيًا في المنصات الرقمية الحديثة، لا سيما في التجارة الإلكترونية والخدمات عبر الإنترنت. يتمثل هدفها الرئيسي في تحديد تفضيلات المستخدمين بناءً على تفاعلاتهم السابقة، وذلك لتقديم اقتراحات دقيقة وملائمة وجذابة. مع ذلك، لا تزال الأساليب التقليدية تواجه صعوبة في تحقيق التوازن بين الدقة والتنوع، مع توفير ضمانات محدودة فيما يتعلق بأمن البيانات وسريتهاتُقدّم هذه الأطروحة إسهامين متكاملين يهدفان إلى تجاوز هذه القيود. الإسهام الأول، MycGNN، عبارة عن شبكة عصبية بيانية مُستوحاة من الشبكات الفطرية.

يُقدّم هذا الإسهام آلية إعادة ضبط ديناميكية للحواف وآلية استكشاف واستغلال احتمالية تُحسّن بشكل ملحوظ تنوّع التوصيات مع الحفاظ على دقة تنافسية. تُظهر التجارب التي أُجريت على مجموعتي بيانات Retail Rocket وMovieLens-1M أنه على الرغم من تفوّق بعض النماذج على MycGNN في الدقة المطلقة، إلا أن الأخيرة تُقدّم تنوّعًا أكبر بكثير. يقدم النموذج الثاني، SFNN، إطار عمل للتوصيات يراعي الأمن، ويجمع بين الدقة والتنوع وحماية البيانات. يدمج هذا النموذج شبكة عصبية بيانية مع مُشفِّر تلقائي تبايني مُنتظم لتعزيز فضاء كامن أكثر تشتتًا، وبالتالي أكثر تنوعًا. تُستخدم آلية دمج تكيفية لتجميع التنبؤات، بينما تضمن طبقة قائمة على تقنية سلسلة الكتل سلامة البيانات وسريتها. تُظهر التجارب على ثلاث مجموعات بيانات أن SFNN يحقق مستويات عالية من الدقة والتنوع في آنٍ واحد. توضح هاتان المساهمتان كيف يمكن للأساليب المستوحاة من علم الأحياء، وتعلم الرسوم البيانية، والتقنيات اللامركزية أن تساهم معًا في تطوير الجيل القادم من أنظمة التوصية القوية والمتنوعة والموثوقة.