05/02/2008

Équipe ACASA

Systèmes de recommandation pour la TV numérique :

un bref état de l’art

Charles Madeira

Programme de la TNT

La TV numérique

Les systèmes de recommandation

Quelques systèmes de recommandation proposés pour la TV numérique

Discussion

TV numérique Problématique dans le point de vue de l’IA

La TV numérique permet que ses utilisateurs accèdent à un très grand nombre d’émissions

Cela rend le choix des émissions long et pénible

Les guides électroniques de programmes (EPG) ont été mis en place afin d’augmenter l’accessibilité des émissions disponibles

La surcharge d’informations combinée à une interface graphique rudimentaire ne rend pas la vie des utilisateurs plus facile

TV numérique

Solution générale [Ardissono et al. 2004]

Fournir des EPG personnalisés pour aider les utilisateurs dans le traitement du grand nombre d’informations disponibles

Voie adoptée Les systèmes de recommandation

Domaine de recherche développé depuis le milieu des années 90 [Adomavicius et Tuzhilin 2005]

Un grand nombre de problèmes sont posés

Un grand nombre d’applications pratiques existent

Systèmes de recommandation Formalisation

N est un ensemble d’utilisateurs

S est un ensemble d’items (émissions dans le cas de la TV) qui peuvent être recommandés

V : N x S → est une fonction d’évaluation à valeurs réelles qui indique l’intérêt d’un item s Є S pour un utilisateur n Є N

Chaque élément n Є N peut être défini par un profil composé de plusieurs caractéristiques de l’utilisateur L’âge, le sexe, la situation familiale, le niveau de scolarité, etc.

Chaque élément s Є S peut être défini par plusieurs caractéristiques de l’item Exemple d’une émission télévisée :

La chaîne, le titre, la catégorie, le producteur, les acteurs, la date de production, etc.

Systèmes de recommandation But

Pour chaque utilisateur n Є N, un item s' Є S doit être sélectionné afin de maximiser la satisfaction de l’utilisateur

Problème central Les items qui n’ont pas encore été évalués par chaque utilisateur

doivent être évalués automatiquement dans le cadre du processus de recommandation La fonction d’évaluation V doit être extrapolée à l’ensemble N x S

à l’aide d’heuristiques validées empiriquement à l’aide d’un modèle qui maximise un certain critère de performance

Systèmes de recommandation Classement adopté par la communauté

[Balabanovic et Shoham 1997] Approches fondées sur le contenu

Le système recommande des items similaires à ceux que l’utilisateur a déjà apprécié précédemment Il est nécessaire de se doter d’une mesure de corrélation entre les

différents items permettant d’apprécier leur degré de ressemblance

Approches fondées sur la collaboration Le système recommande des items apprécies précédemment par

d’autres utilisateurs qui ont des préférences similaires Il est nécessaire de se doter d’une mesure de corrélation entre les

utilisateurs

Approches hybrides Combinaison de deux approches ci-dessus

Systèmes de recommandation Toutes les approches requièrent un profil de l’utilisateur contenant de

l’information sur ses goûts, préférences et besoins Ce profil peut être obtenu

Explicitement (questionnaires) Le plus précis bien qu’il puisse avoir une disparité entre l’auto-description et le

comportement réel Les recommandations peuvent être faites rapidement Il nécessite un niveau d’effort considérable de la part de l’utilisateur

Implicitement A partir des comportements de l’utilisateur

Il permet d’appréhender les comportements réels de l’utilisateur Il faut attendre le rassemblement de l’information implicite nécessaire L’interprétation des comportements réels peut être trompeuse

Un utilisateur peut par exemple regarder une émission sans vraiment l’aimer

A partir des préférences identifiées pour un groupe d’utilisateurs

Approches fondées sur le contenu Les avantages

La recommandation peut être réglée selon les préférences personnelles d’un utilisateur individuel

Les inconvénients Dépendance aux caractéristiques associées au contenu

L’extraction d’information est difficile dans le cas des données multimédia Deux items distincts représentés par la même information ne peuvent pas être

différenciés

Sur-spécialisation La recommandation se restreint aux items similaires à ceux déjà appréciés par

l’utilisateur Doublons de recommandation peuvent se produire lorsque des items distincts

désignent un même contenu

Ajout de nouveaux utilisateurs Le système n’est pas capable de recommander efficacement avant d’obtenir un

nombre suffisant d’appréciations de la part de l’utilisateur

Approches fondées sur le contenu Les techniques couramment employées

Celles fondées sur des heuristiques [Lang 1995; Balabanovic et Shoham 1997; Pazzani et Billsus 1997] TF-IDF (extraction d’information) Clustering

Celles fondées sur des modèles [Pazzani et Billsus 1997; Mooney et al. 1998; Mooney et Roy 1999; Billsus et Pazzani 1999, 2000; Zhang et al. 2002] Classifieurs bayésiens Clustering Arbres de décision Réseaux de neurones artificiels

Approches fondées sur la collaboration

Les avantages La recommandation peut être faite même si les traces sur les

comportements de l’utilisateur ne sont pas disponibles Il n’y a pas de sur-spécialisation

Les inconvénients Ajout de nouveaux items

Le système n’est pas capable de recommander un item avant qu’il ne soit suffisamment apprécié par les utilisateurs

Ajout de nouveaux utilisateurs Le système n’est pas capable de recommander efficacement avant

d’obtenir un nombre suffisant d’appréciations de la part de l’utilisateur Pénurie d’utilisateurs

Une masse critique d’utilisateurs est requise pour que l’appréciation générale d’un item soit crédible

Approches fondées sur la collaboration Les techniques couramment employées

Celles fondées sur des heuristiques [Resnick et al. 1994; Hill et al. 1995; Shardanand et Maes 1995; Breese et al. 1998; Nakamura et Abe 1998; Aggarwal et al. 1999; Delgado et Ishii 1999; Pennock et Horwitz 1999; Sarwar et al. 2001] Algorithme des plus proches voisins Clustering Théorie des graphes

Celles fondées sur des modèles [Billsus et Pazzani 1998; Pennock et Horwitz 1999; Geyer-Schulz et al. 2000; Goldberg et al. 2001; Pavlov et Pennock 2002; Shani et al. 2002; Yu et al. 2002, 2004; Hofmann 2003, 2004; Marlin 2003; Si et Jin 2003] Réseaux bayésiens Clustering Réseaux de neurones artificiels Régression linéaire Modèles probabilistes Algorithmes évolutionnaires interactifs

Approches hybrides

Les avantages La recommandation peut être faite lorsqu’un item est bien apprécié

par un ensemble d’utilisateurs qui présentent des profils similaires

par l’utilisateur lui-même

La pénurie d’utilisateurs n’est pas un problème si important

Des résultats empiriques démontrent que les recommandations sont plus efficaces que dans le cadre des approches dites pures

C’est l’approche communément adoptée ces dernières années

Les inconvénients Ajout de nouveaux utilisateurs

Ajout de nouveaux items

Approches hybrides Les techniques couramment employées

Celles fondées sur des heuristiques [Balabanovic et Shoham 1997; Claypool et al. 1999; Good et al. 1999; Pazzani 1999; Billsus et Pazzani 2000; Tran et Cohen 2000; Melville et al. 2002] Combinaison linéaire des appréciations Schémas du vote Introduction de certaines caractéristiques d’une approche dans la

heuristique adoptée par l’autre

Celles fondées sur des modèles [Basu et al. 1998; Condliff et al. 1999; Soboroff et Nicholas 1999; Ansari et al. 2000; Popescul et al. 2001; Schein et al. 2002] Introduction de certaines caractéristiques d’une approche dans le

modèle adopté par l’autre Construction d’un modèle général unifié

Comment améliorer davantage l’efficacité des recommandations ?

Comprendre mieux les utilisateurs et les items Employer des techniques avancées de profilage

Règles d’exploitation des données [Fawcett et Provost 1996; Adomavicius et Tuzhilin 2001]

Séquences [Mannila et al. 1995] Signatures [Cortes et al. 2000]

Introduire le contexte dans la procédure de recommandation Par exemple

Quand, où et avec qui une émission est vue ? Quel est l’état émotionnel de l’utilisateur ?

Comment améliorer davantage l’efficacité des recommandations ?

Permettre une appréciation multicritères Par exemple

Repas, décoration et service dans un restaurant

Fournir des recommandations plus flexibles et moins intrusives Permettre une customisation des recommandations

selon les besoins des utilisateurs L’utilisateur « fais-le pour moi »

Un système totalement autonome L’utilisateur « faisons-le ensemble »

Un système partiellement contrôlable L’utilisateur « laisse-moi contrôler »

Un système totalement contrôlable

Les systèmes de recommandation d’émissions télévisées

Les systèmes de recommandation conçus pour la TV sont souvent fondés sur

Une combinaison d’un profil explicite et d’un ou plusieurs profils implicites

Des approches basées sur le contenu ou hybrides

Les systèmes de recommandation fondés sur le contenu

[Buczak et al. 2002] Profil

Explicite Questionnaire sur les préférences de l’utilisateur (chaîne, genre

d’émission, jours et périodes de la journée) Implicite (traces d’utilisation – utilisateur individuel et ménage)

Réseaux bayésiens Arbres de décision

Un réseau de neurones artificiels du type RBF fusionne les recommandations faites par chacun des profils

Métriques d’évaluation Receiver operating characteristic Erreur quadratique moyenne

Interface utilisateur flexible Elle permet que la recommandation soit contrôlée par l’utilisateur

Les systèmes de recommandation fondés sur le contenu

[Yu et al. 2004] Profil

Explicite Questionnaire sur les préférences de l’utilisateur

Implicite (traces d’un utilisateur) Classifieurs bayésiens

Métrique d’évaluation Pourcentage du temps écoute

Seuil pour distinguer positif et négatif Seuil pour jeter certains changements de chaîne

Rappel et précision

Les systèmes de recommandation fondée sur le contenu

[Ludwig et al . 2006] Comprendre comment les utilisateurs choisissent des

émissions afin d’améliorer la flexibilité du système Profil

Explicite (questionnaire sur les préférences de l’utilisateur)

La description textuelle des émissions est prise en compte Les mots sont groupés selon des thèmes prédéfinis Ils sont traités afin de refléter les besoins émotionnels des

utilisateurs 107 attitudes émotionnelles sont modélisées

Les systèmes de recommandation hybrides

[Dai et Cohen 2003] Profil

Explicite Questionnaire sur l’utilisateur et ses préférences

Implicite (traces d’un utilisateur) Pseudo (groupe d’utilisateurs ayant intérêts similaires)

Métrique d’évaluation Pourcentage du temps écoute (seuil pour distinguer positif et

négatif) Architecture centralisée

Service disponible à partir d’un fournisseur câble ou satellite

Les systèmes de recommandation hybrides

[Potonniée 2004] Traitement des problèmes de l’ubiquité et de l’intimité

des utilisateurs Profil

Explicite (questionnaire sur l’utilisateur) Profil implicite (traces d’un utilisateur)

Schémas du vote (contenu) Arbres de décision (collaboratif)

Métriques d’évaluation Erreur absolue moyenne Receiver operating characteristic

Seuil pour distinguer utile et inutile Architecture décentralisée

Carte à puce qui enregistre et contrôle l’accès au profil

Les systèmes de recommandation hybrides

SenSee [Aroyo et al. 2007] Framework pour « Ambient Home Media »

Web et Set-top Box

Le profil explicite de l’utilisateur et le contexte sont pris en compte Période de la journée, localisation géographique, thèmes

d’intérêt

Une ontologie est employée afin de traiter des concepts et des termes sémantiques des métadonnées Spécification : TV-Anytime, MPEG7

User preference description scheme Usage history description scheme

Sources : XMLTV, BBC Backstage

Les systèmes de recommandation hybrides

AIMED [Hsu et al. 2007] Activités, intérêts, état émotionnel, expériences and

information démographique Profil

Explicite (questionnaire sur l’utilisateur et ses préférences) Implicite

Traces d’un utilisateur (contenu) Clustering hiérarchique (collaboration)

Un réseaux de neurones artificiels du type BPN est employé pour fusionner toutes les données

Métrique d’évaluation Erreur quadratique moyenne

Discussion