Améliorer les recommandations personnalisées : une étude sur l'efficacité de l'apprentissage multi-tâches et de l'intégration des fonctionnalités

Les systèmes de recommandation personnalisés jouent un rôle crucial en aidant les utilisateurs à découvrir des éléments d'intérêt parmi d'énormes quantités d'informations dans divers domaines. Cependant, le développement de systèmes de recommandation personnalisés précis reste un défi en raison de la nécessité d'équilibrer les architectures de modèles, les combinaisons de fonctionnalités d'entrée et la fusion de sources de données hétérogènes. Cette étude examine les impacts de ces facteurs sur les performances de recommandation en utilisant les ensembles de données MovieLens et Book Recommendation. Six modèles, y compris les réseaux neuronaux à tâche unique, l'apprentissage multi-tâches et des références, ont été évalués avec diverses combinaisons de fonctionnalités d'entrée utilisant l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne (MAE). L'approche d'apprentissage multi-tâches a atteint des RMSE et MAE significativement plus bas en tirant efficacement parti des sources de données hétérogènes pour des recommandations personnalisées à travers une architecture de réseau neuronal partagé. De plus, l'incorporation progressive des données utilisateur et des données de contenu a amélioré la performance par rapport à l'utilisation uniquement des identifiants d'éléments. Les résultats soulignent l'importance des architectures de modèles avancées et de la fusion des sources de données hétérogènes pour des recommandations de haute qualité, fournissant des informations précieuses pour concevoir des systèmes de recommandation efficaces dans divers domaines.