Résumé

Nous nous intéressons dans cet article à la construction de profils issus à la fois des données d’interaction des utilisateurs (notes sur les produits) et des données textuelles associées (revues). L’enjeu est de s’éloigner des approches de factorisation matricielle pour mieux exploiter les données textuelles. Nous proposons de personnaliser une architecture de réseau de neurones hiérarchique dédiée à la classification de sentiments en apprenant des paramètres d’attention spécifiques pour les différents utilisateurs. Nous démontrons ensuite l’intérêt de ces paramètres pour établir des profils de recommandation pertinents. Non seulement les prédictions proposées par notre système dépassent les performances des systèmes de factorisation matricielle, mais le fait de travailler dans un espace latent textuel nous permet en plus de proposer des explications autour des recommandations pour sortir des boîtes noires habituelles du filtrage collaboratif.

Abstract

In this article, we aim at learning relevant profiles from both rating and textual data. We attempt to make better use of review texts and seek to build a recommender system that does not fully rely on matrix factorization. In that sense, we propose to add some personalized attention parameters to a hierarchical neural network, which was first dedicated to sentiment analysis. We demonstrate that this modified attention is useful to build effective recommendation profiles: not only does it improve the global recommender system performance, but it enables us to provide suggestion explanations by exploiting the underlying learnt textual latent space. This latter point is a noteworthy way to overcome the classical black-box phenomenon in collaborative filtering approaches.