en fr Integrating perceptions in on-line products recommendation systems Prise en compte des perceptions dans les systèmes de recommandations de produit en ligne Report as inadecuate




en fr Integrating perceptions in on-line products recommendation systems Prise en compte des perceptions dans les systèmes de recommandations de produit en ligne - Download this document for free, or read online. Document in PDF available to download.

1 IRCCyN - Institut de Recherche en Communications et en Cybernétique de Nantes

Abstract : The design of online recommendation systems, such as those used for example in e-commerce, is a real challenge. This requires understanding the customer-s need in order to recommend the right product for him-her, i.e those that are likely to be appreciated. These recommendations should be made from data already in the database, usually scarce. The current recommendation systems are based on similarities between customers on products purchased or assessed. Among the techniques used in most online sites, we are interested in collaborative filtering, in which the recommendations are generated based on similarities that exist between customers. This work concerns the development of a products recommendation method that takes into account the customer preferences and the perceptions. An approach based on the assessment of the preference is first described. It is enriched by the customer perceptions when using the product. The objective of the study is to determine how to take into account the customer-s perceptions in a recommendation system, and to what extent the perceptions help to improve the recommendation quality of such a system. The work focuses on two recommendation approaches. The first, called -traditional- approach, is based on the collaborative filtering from the stated customers’ preference about the products. The second is the -proposed- approach. It is a combination of the traditional collaborative filtering based on preference, enriched by filtering on perceptual evaluations of products. The recommendation is then based on a preference similarity and a perceptual similarity between the customers. In this approach, the perceptual data mainly includes product evaluations according to emotional descriptors. To compare the two approaches, we first performed recommendations using a simulated data base made of various profiles of virtual customers. In order to estimate the performance of each approach, a test procedure has been implemented. A recommendation quality index and a cross-validation procedure based on random samples are defined. This simulation phase allowed adjusting various parameters of the proposed approach. Then, an online survey was conducted to create data with real customers. The considered product to carry out experiments is a movie. Hundreds of customers expressed their preferences and perceptions on a range of movies of the current market, using an Internet survey. This survey was used to study on real data the recommendations’ quality of the two approaches. The recommendation quality is computed using the cross-validation procedure. General attributes of the movies have also been introduced in order to assess their interest in a recommendation procedure. The results show that on simulated data, for which the experimenter completely controls the relationship between preferences and perceptions, the recommendation quality of the proposed approach is better than the traditional approach. Taking into account customers’ perceptual assessments improves the quality of recommendations. For real data from the survey on movies, the results are varied. Although the quality of the proposed approach is on average not better than the traditional approach, we notice that for some customers, better performances are obtained. Performance based on demographic criteria was also studied, as well as for different categories of customers.

Résumé : La conception de systèmes de recommandations d’achats en ligne, tels que ceux utilisés par exemple en commerce électronique, est un vrai challenge. Cela nécessite de comprendre le besoin du client afin de lui conseiller des produits adaptés, c’est-à-dire ceux qu’il est susceptible d’apprécier. Ces recommandations doivent s’effectuer à partir de données déjà présentes dans la base de données, généralement peu abondantes. Les systèmes actuels de recommandation se basent sur des ressemblances entre clients sur des produits achetés ou évalués pour émettre des recommandations. Parmi les techniques les plus utilisées dans les sites en ligne, nous nous sommes intéressés au filtrage collaboratif, pour lequel les recommandations générées sont basées sur des similarités pouvant exister entre les clients. Ce travail s-inscrit dans une démarche de recommandations de produits qui prend en compte les préférences et les perceptions du client. Nous proposons une approche basée sur une évaluation de la préférence, enrichie par les perceptions du client lors de son expérience avec le produit. L’objectif du travail est de déterminer comment prendre en compte les perceptions du client dans un système de recommandation, et de déterminer dans quelle mesure la prise en compte des perceptions contribue à améliorer la qualité des recommandations émises par un tel système. Le travail se focalise sur deux approches de recommandations. La première, appelée approche « classique », est basée sur le filtrage collaboratif à partir de la préférence déclarée des clients sur les produits. La seconde, qui est l’approche proposée, consiste en une combinaison du filtrage collaboratif traditionnel basé sur la préférence, enrichie par un filtrage sur les évaluations perceptives des produits. La recommandation est alors basée sur une similarité de préférence et une similarité perceptive entre les clients. Dans cette approche, les données perceptives incluent principalement des évaluations des produits selon des descripteurs émotionnels. Pour comparer les deux approches, nous avons tout d’abord réalisé des recommandations à l’aide d’une base de données simulée, comportant différentes évaluations de clients virtuels. Pour estimer la performance de chaque approche, une procédure de test a été implémentée, en définissant un indice de qualité de recommandation et une procédure de validation croisée basée sur des tirages aléatoires. Cette phase de simulation a permis d’ajuster différents paramètres de l’approche proposée. Ensuite, une enquête en ligne a été réalisée pour créer des données avec des clients réels. Le produit considéré pour réaliser les expérimentations est le film long métrage. Plusieurs centaines de clients ont exprimé leurs préférences et leurs perceptions sur un ensemble de films du marché actuel, à l’aide d’une enquête sur Internet. Cette enquête a servi de terrain expérimental pour étudier sur des données réelles la qualité des recommandations des deux méthodes, qualité calculée avec la procédure de validation croisée. Des attributs généraux des films ont également été introduits afin d’estimer leur intérêt dans une procédure de recommandation. Les résultats montrent que sur les données simulées, pour lesquelles l’expérimentateur maîtrise totalement les relations entre les préférences et les perceptions, la qualité de recommandation de l’approche proposée est supérieure à celle de l’approche classique. La prise en compte des évaluations perceptives des clients conduit bien à une amélioration de la qualité des recommandations. Pour les données réelles, issues de l’enquête sur les films longs métrages, les résultats sont différentiés. Même si la qualité de l’approche proposée n’est en moyenne pas significativement meilleure que celle de l’approche classique, on constate que pour certains clients, des performances supérieures sont obtenues. La performance en fonction de critères démographiques a été aussi étudiée, ainsi que celle pour différentes catégories de clients.

en fr

Keywords : Recommendation Systems Collaborative filtering

Mots-clés : Perception Préférences Emotions Systèmes de recommandations Filtrage collaboratif





Author: Ines Jomaa -

Source: https://hal.archives-ouvertes.fr/



DOWNLOAD PDF




Related documents