Variational autoencoders with Gaussian mixture prior for recommender systems

Boucher Charbonneau, Kristof (2020). Variational autoencoders with Gaussian mixture prior for recommender systems. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (3MB) | Prévisualisation
Prévisualisation	PDF Télécharger (1MB) | Prévisualisation

Résumé

Recommender systems are used everywhere, from search engines to entertainment websites like video or audio streaming platforms. They are essential when the amount of information available is substantial by providing users with the right information at the right time. The standard approach involves gathering the impressions of users based on content to create the next recommendation. However, collecting these impressions is costly and is not always accurate. A different alternative is to simply gather the binary interactions between a user and the content.

Radio-Canada, the official French broadcaster in Canada, has collected these types of interactions for its video streaming platform called “Tou.TV”. They asked us to create a novel recommender system using temporal and contextual signals. In this thesis, we present two hybrid systems based on a variational autoencoder (VAE) architecture with a Gaussian mixture prior to better understand the latent space with multiple Gaussian distributions. We apply these systems on the Tou.TV dataset, but also demonstrate the efficacy of our approach on the popular dataset called MovieLens-20M. These systems with the simple enhancements proposed on the traditional VAE architecture are able to outperform popular off-the-shelf models.

Titre traduit

Auto-encodeurs variationnels avec un mélange gaussien comme à priori pour les systèmes de recommandation

Résumé traduit

Les systèmes de recommandations sont utilisés dans plusieurs domaines, en passant par les engins de recommandations aux plateformes de divertissements comme la musique en ligne ou la vidéo sur demande. Ils sont une composante essentielle lorsqu’une source considérable d’information est disponible aux usagés. Ces systèmes sont en mesure de proposer la bonne information au bon moment. La plupart des techniques ont besoin de récupérer l’impression des usagés sur l’information consommée afin d’émettre la prochaine recommandation. Cependant, cette collecte d’information n’est pas toujours simple, complète et fiable. Une alternative à cette collecte d’information directe est de plutôt recueillir le témoin indiquant l’interaction d’un utilisateur avec un contenu.

Radio-Canada, le diffuseur officiel du Canada, a collecté ce type d’information sur sa plateforme de vidéos en continu appelé « Tou.TV ». La société d’État nous a demandé de créer un nouveau système de recommandation qui utilise ces données afin de remplacer le système existant. Cette thèse présente deux architectures hybrides fondées sur les auto-encodeurs variationnels (VAE) avec un à priori basé sur les mélanges de gausiennes afin de mieux comprendre l’espace caché. Nous appliquons ces deux modèles sur les données de Tou.TV, mais également sur l’ensemble de données appelé « MovieLens-20M ». Les modèles présentés apportent des changements simples aux VAE et permettent d’obtenir des résultats compétitifs par rapport aux systèmes populaires.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in information technology engineering". Comprend des références bibliographiques (pages 85-89).
Mots-clés libres:	système de recommandation, données implicites, apprentissage machine, apprentissage profond, Auto-encodeur variationnel, mixture de Gaussiennes
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Cardinal, Patrick
Codirecteur:	Codirecteur Pedersoli, Marco
Programme:	Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt:	06 nov. 2020 20:35
Dernière modification:	06 nov. 2020 20:35
URI:	https://espace.etsmtl.ca/id/eprint/2576

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt