Amélioration des profils d'intérêt thématique des utilisateurs par factorisation comportementale

De nombreux systèmes de recommandation visent à fournir des recommandations pertinentes aux utilisateurs en construisant des profils d'intérêt thématique personnel, puis en utilisant ces profils pour trouver des contenus intéressants pour l'utilisateur. Dans les réseaux sociaux, les systèmes de recommandation construisent des profils d'utilisateur en combinant directement les signaux d'intérêt thématique des utilisateurs issus d'une grande variété de comportements de consommation et de publication, tels que les publications sur les réseaux sociaux qu'ils ont rédigées, commentées, +1 ou aimées. Ici, nous proposons de modéliser séparément les intérêts thématiques des utilisateurs qui proviennent de ces divers signaux comportementaux afin de construire de meilleurs profils d'utilisateur. Intuitivement, puisque publier un post nécessite plus d'efforts, les intérêts thématiques issus des signaux de publication devraient être plus précis sur l'intérêt central d'un utilisateur que, disons, un geste simple comme un +1. En séparant le profil d'intérêt d'un seul utilisateur en plusieurs profils comportementaux, nous obtenons de meilleurs et plus clairs signaux d'intérêt thématique, tout en permettant la prédiction de sujets pour différents types de comportements, tels que des sujets sur lesquels l'utilisateur pourrait +1 ou commenter, mais qu'il ne rédigerait jamais de post.