Hackathon Big Data TELECOM Nancy
Le projet
Songpeek est une plateforme d’écoute de musiques utilisant les ressources de Youtube pour le
contenu et Last.fm pour les métadonnées, afin de proposer un large choix de musiques avec le clip
associé, le tout sans publicités intempestives.
Dans ce contexte, nous avons cherché à comparer différents algorithmes de recommandation personnalisées.
L'équipe
Amiri Clément : Comparaison des algorithmes
Karim Oussama: Implémentation des algorithmes
Le Noach Paul : Visualisation
Viard Nicolas : Base de données
La semaine
L'état de l'art
On distingue principalement 4 approches possibles pour un système de recommandation :
La recommandation personnalisée:Il s'agit de recommander des objets sur la base du comportement passé de l’utilisateur
La recommandation objet:Il s'agit de recommander des objets (ou contenus) en se basant sur les qualités et propriétés intrinsèques de l’objet lui-même et en les corrélant avec les préférences et intérêts de l'utilisateur.
La recommandation sociale:Recommander des choses sur la base du comportement passé des utilisateurs similaires, en effectuant une corrélation entre des utilisateurs ayant des préférences et intérêts similaires.
La recommandation hybride: Une combinaison des trois approches ci-dessus.
Les choix
L’objectif est d’insérer de la diversité dans les recommandations de SongPeek. En effet, les algorithmes de recommandation ont pour principal défaut de proposer souvent les mêmes types de chansons. Les chansons sont regroupées en différentes classes. Lorsqu’une chanson est choisie par l’utilisateur alors les chansons principalement proposées sont les chansons appartenant à la même classe. Afin de remédier à cela, on utilise une fonction de similarité. Cette fonction de similarité calcule la similarité entre deux éléments en fonction des attributs de ces derniers : Une fois la similarité calculée, on peut en déduire la diversité apportée par un élément à une classe : Notre objectif est donc d’augmenter la diversité apportée par les recommandations de SongPeek tout en conservant la légitimité des chansons proposées. Algorithmes utilisés : Les différents algorithmes que nous avons testés sont implémentés par Lenskit (http://lenskit.org/). Voici la liste des algorithmes :
Item-based
User-based
Matrix factorization
Nous avons également comparé les performances de ces algorithmes de recommandation à l’aide du logiciel de statistique R et de différentes métriques.
Le résultat
En fin de semaine notre équipe a présenté ses résultats sous la forme d'un outil de propostition de musiques basé sur les algorithme présentés plus tôt. Celui-ci donnait les proposistions sous forme de cercles dont la taille augmentait proportionnelement à leur probabilité de plaire à l'utilisateur.