Réseaux de neurones récurrents avec gains Top-k pour des recommandations basées sur les sessions

Les RNN ont montré qu'ils étaient d'excellents modèles pour les données séquentielles et en particulier pour les données générées par les utilisateurs de manière basée sur des sessions. L'utilisation des RNN offre des bénéfices de performance impressionnants par rapport aux méthodes classiques dans les recommandations basées sur des sessions. Dans ce travail, nous introduisons de nouvelles fonctions de perte de classement adaptées aux RNN dans le contexte de la recommandation. L'amélioration des performances de ces pertes par rapport aux alternatives, ainsi que d'autres astuces et perfectionnements décrits dans ce travail, permettent une amélioration globale allant jusqu'à 35% en termes de MRR et de protection par email par rapport aux solutions RNN basées sur des sessions précédentes et jusqu'à 53% par rapport aux approches classiques de filtrage collaboratif. Contrairement aux améliorations basées sur l'augmentation des données, notre méthode n'augmente pas significativement les temps d'entraînement. Nous démontrons également le gain de performance du RNN par rapport aux bases de référence lors d'un test A/B en ligne.