Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Recommandation Séquentielle
Approche de systèmes de recommandation qui modélise l'ordre chronologique des interactions utilisateur pour prédire les prochains intérêts. Contrairement aux méthodes traditionnelles, elle capture les dépendances temporelles et l'évolution des préférences.
Session-based Recommendation
Sous-domaine de la recommandation séquentielle se concentrant sur les interactions au sein d'une seule session utilisateur. Elle ne nécessite pas d'historique à long terme et se base sur le comportement immédiat pour générer des recommandations pertinentes.
Markov Decision Process
Modèle mathématique formel pour la prise de décision séquentielle où les états futurs dépendent uniquement de l'état actuel et de l'action entreprise. Appliqué aux systèmes de recommandation pour modéliser les transitions entre les items.
GRU4Rec
Architecture de réseau de neurones récurrent basée sur les Gated Recurrent Units (GRU) spécifiquement conçue pour la recommandation session-based. Elle utilise des mécanismes d'attention et des techniques d'échantillonnage pour améliorer les performances sur les données séquentielles.
BERT4Rec
Modèle de recommandation séquentielle adapté de l'architecture BERT qui utilise des transformers bidirectionnels pour capturer les dépendances contextuelles. Il applique le masquage d'items comme tâche de pré-entraînement pour apprendre des représentations séquentielles robustes.
Transformer-based Recommendation
Classe de modèles utilisant l'architecture Transformer pour capturer les dépendances à longue distance dans les séquences d'interactions. Ces modèles surpassent les RNN traditionnels grâce aux mécanismes d'attention multi-têtes.
Sequential Pattern Mining
Processus d'extraction de motifs fréquents et ordonnés dans les séquences de transactions utilisateurs. Ces motifs servent de base pour comprendre les comportements typiques et générer des recommandations basées sur les tendances observées.
Next Item Prediction
Tâche fondamentale de la recommandation séquentielle consistant à prédire l'item suivant qu'un utilisateur est susceptible d'interagir. Elle sert d'objectif d'entraînement pour la plupart des modèles séquentiels modernes.
Temporal Dynamics
Phénomène où les préférences utilisateur évoluent dans le temps, nécessitant des modèles qui capturent ces changements progressifs. Les systèmes de recommandation séquentielle intègrent ces dynamiques pour maintenir la pertinence des suggestions.
User Session Modeling
Technique de représentation des interactions utilisateur au sein d'une session comme une séquence ordonnée significative. Elle permet de capturer l'intention à court terme et le contexte de navigation pour des recommandations instantanées.
Sequential Embedding
Représentation vectorielle des items ou utilisateurs qui préserve l'information séquentielle et contextuelle des interactions. Ces embeddings capturent à la fois les caractéristiques intrinsèques et les relations temporelles entre les items.
SASRec
Self-Attentive Sequential Recommendation, modèle pionnier utilisant uniquement les mécanismes d'attention pour la recommandation séquentielle. Il capture efficacement les dépendances à longue distance sans les limitations des RNN traditionnels.
NARM
Neural Attentive Recommendation Machine, modèle combinant RNN et mécanisme d'attention pour la recommandation session-based. Il capture à la fois le comportement séquentiel global et les intentions principales de la session actuelle.
STAMP
Short-Term Attention/Memory Priority Model, architecture se concentrant sur les dernières interactions pour la recommandation session-based. Il utilise l'attention pour pondérer l'importance des différents items dans la mémoire à court terme.
Time-aware Recommendation
Approche intégrant explicitement les informations temporelles (timestamps, durées, cycles) dans les modèles de recommandation. Elle améliore la précision en capturant les patterns temporels et la récence des interactions.
Sequential Cold Start
Défi spécifique aux systèmes séquentiels lors de la recommandation pour de nouveaux utilisateurs ou items avec peu ou pas d'historique. Les solutions incluent le transfert learning et les modèles basés sur les sessions pour atténuer ce problème.
GNN-based Sequential Recommendation
Approche utilisant les Graph Neural Networks pour modéliser les relations complexes entre items dans les séquences. Elle capture efficacement les transitions d'états et les structures de graphe implicites dans les données séquentielles.
Hierarchical Sequential Modeling
Technique modélisant les séquences à plusieurs niveaux d'abstraction (sessions, journées, semaines) pour capturer les patterns à différentes échelles temporelles. Elle permet une compréhension plus nuancée du comportement utilisateur.
Contrastive Sequential Learning
Paradigme d'apprentissage utilisant le contrastive learning pour améliorer les représentations séquentielles en maximisant la similarité entre vues positives de la même séquence. Elle renforce la robustesse du modèle contre le bruit et les données sparse.