Impression-Aware Recommender Systems

Cet article propose une revue systématique de la littérature et un cadre théorique unifié pour les systèmes de recommandation conscients des impressions, en classant les modèles, les jeux de données et les méthodologies d'évaluation afin d'identifier les défis et les orientations futures de ce paradigme émergent.

L'essentiel

🎬 Le Grand Film de vos Recommandations : Au-delà du "J'aime"

Imaginez que vous êtes dans un grand cinéma. Jusqu'à présent, les recommandations de films (comme sur Netflix ou YouTube) fonctionnaient un peu comme un journal de bord des applaudissements.

• Si vous avez regardé un film jusqu'au bout ou cliqué sur "J'aime", le système se disait : "Ah, il aime ça !"
• Si vous n'avez rien fait, le système pensait souvent : "Il n'a pas aimé, ou il ne s'intéresse pas à ça."

Le problème ? C'est comme si le cinéma ne tenait compte que des gens qui ont applaudi, et ignorait totalement ceux qui sont restés assis, regardant l'écran sans bouger. Peut-être qu'ils étaient intéressés mais que le film était mal placé ? Ou peut-être qu'ils avaient déjà vu ce film ? Le système ignorait ces nuances.

🌟 La Révolution : Les "Impressions" (Ce qu'on vous montre)

Ce papier de recherche parle d'une nouvelle façon de voir les choses : les "Impressions".
Une "impression", c'est simplement tout ce qui est affiché sur votre écran à un moment donné, que vous cliquiez dessus ou non. C'est la liste complète des films, produits ou articles que le système vous a montrés.

Les auteurs appellent cela les Systèmes de Recommandation "Conscients des Impressions".
Imaginez que le cinéma ne regarde plus seulement qui applaudit, mais qu'il observe toute la salle :

• Qui a regardé l'affiche du film A ?
• Qui a regardé le film B mais a baissé les yeux ?
• Qui a regardé le film C pendant 10 secondes puis a changé de chaîne ?

En analysant tout cela (ce qu'on vous montre + ce que vous faites), le système comprend beaucoup mieux vos goûts réels.

🧱 Les 3 Piliers de la Recherche

Les chercheurs ont analysé 43 articles scientifiques pour créer un guide complet. Ils ont divisé leur travail en trois parties, comme les trois actes d'une pièce de théâtre :

1. Les Acteurs (Les Modèles de Recommandation)

Comment les systèmes apprennent-ils ?

• Les Anciens (Heuristiques) : Ils utilisent des règles simples. "Si j'ai montré ce film 5 fois et qu'il n'a pas été regardé, arrêtons de le montrer." C'est comme un chef cuisinier qui retire un plat du menu s'il ne plaît pas après 5 essais.
• Les Modernes (Intelligence Artificielle) : Aujourd'hui, on utilise des réseaux de neurones très complexes (Deep Learning) ou des systèmes qui apprennent par essais-erreurs (Apprentissage par Renforcement). Ils sont capables de dire : "Ce film n'a pas été cliqué, mais l'utilisateur l'a regardé pendant 30 secondes, donc il est peut-être intéressé mais hésitant."

2. Le Scénario (Les Données)

Pour apprendre, il faut des données. Les chercheurs ont fait un inventaire des "livres de recettes" (les jeux de données) disponibles :

• Les Livres Ouverts (Publics) : Des données que tout le monde peut utiliser pour tester ses idées.
• Les Livres Fermés (Privés) : Des données gardées secrètes par les grandes entreprises (comme Amazon ou Google).
• Le Problème : Beaucoup de ces livres sont incomplets. Ils disent "J'ai montré ce film" mais ne disent pas "Où était-il placé sur l'écran ?" ou "Quels autres films étaient à côté ?". C'est comme essayer de deviner le goût d'un plat sans voir les ingrédients.

3. Le Critique (L'Évaluation)

Comment savoir si le nouveau système est meilleur ?

• Le Piège : Si on teste le système en lui donnant déjà la liste des films à montrer, on ne teste pas sa capacité à choisir les bons films, mais seulement à les réorganiser. C'est comme donner la réponse à un élève avant l'examen et lui demander de noter sa copie !
• La Solution : Il faut tester le système dans des conditions réelles, en lui laissant le choix de ce qu'il montre, pour voir si ses choix sont vraiment pertinents.

🚧 Les Obstacles sur la Route

Les chercheurs identifient plusieurs défis à relever :

• Le Bruit (Les Signaux) : Est-ce que le fait de ne pas cliquer signifie "Je n'aime pas" ou "Je suis distrait" ? C'est difficile à distinguer.
• La Fatigue : Si on vous montre le même film 10 fois, vous finirez par être agacé, même si vous l'avez aimé au début. Le système doit apprendre à ne pas vous ennuyer.
• Le Biais : Si le système montre toujours les films populaires en haut de la liste, personne ne verra les films cachés. Le système a tendance à créer une "bulle" où il ne montre que ce qu'il pense que vous aimez déjà.

🚀 Et demain ?

Ce papier conclut que nous sommes à l'aube d'une nouvelle ère. En utilisant les "impressions" (tout ce qui est affiché), nous pouvons passer d'un système qui devine vos goûts à un système qui comprend vos hésitations, votre fatigue et vos préférences cachées.

En résumé :
Avant, le système de recommandation était un vendeur de journaux qui ne notait que les gens qui achetaient un journal.
Aujourd'hui, avec les "impressions", il devient un observateur de foule qui regarde qui s'arrête devant l'étalage, qui lit la une, qui passe son chemin, et qui ajuste sa vitrine en conséquence pour que tout le monde trouve ce qui lui plaît vraiment.

C'est une révolution pour rendre les recommandations plus justes, moins ennuyeuses et plus humaines.

Résumé technique

1. Problématique et Contexte

Les systèmes de recommandation traditionnels reposent principalement sur les interactions utilisateurs (achats, clics, notes) pour prédire les préférences. Cependant, cette approche présente des limites : elle ignore les items exposés mais non interactés, favorise les items populaires (bulles de filtres) et peine avec les utilisateurs "froids".

L'article identifie une source de données sous-exploitée : les impressions. Une impression est définie comme un ensemble d'items affichés à l'écran d'un utilisateur à un instant donné (aussi appelé slate, exposure ou recommandation passée).

• Le problème : La recherche sur l'utilisation des impressions est dispersée, avec des terminologies et des interprétations hétérogènes. De plus, l'exploitation des signaux négatifs ou neutres contenus dans les items non-interactés reste mal comprise.
• L'objectif : Unifier ces travaux sous un paradigme cohérent, définir un cadre théorique pour les Systèmes de Recommandation Conscients des Impressions (IARS - Impression-Aware Recommender Systems), et analyser l'état de l'art en termes de modèles, de données et d'évaluation.

2. Méthodologie

Les auteurs ont mené une revue systématique de la littérature selon les critères suivants :

• Sources : Moteurs de recherche académiques (ACM DL, IEEE Xplore, etc.).
• Critères de sélection : Articles pairs, conférences ou journaux de haut niveau (CORE A*/A, Scimago Q1).
• Corpus final : Sur 1351 articles candidats, 43 ont été retenus après filtrage manuel pour garantir la pertinence par rapport aux impressions dans les systèmes de recommandation personnalisés.

L'analyse s'articule autour de trois axes fondamentaux :

1. Modèles de recommandation : Comment les modèles apprennent-ils à partir des impressions ?
2. Ensembles de données : Quels datasets publics ou privés sont disponibles ?
3. Méthodologies d'évaluation : Comment évaluer correctement ces systèmes ?

3. Contributions Clés

A. Cadre Théorique et Définition des IARS

Les auteurs définissent les IARS comme un paradigme d'apprentissage qui utilise à la fois les interactions et les impressions comme sources de données primaires.

• Différence avec les systèmes contextuels (CARS) : Contrairement aux CARS où le contexte (heure, lieu) est une variable externe, dans les IARS, l'impression (la liste des items montrés) fait partie intégrante de la définition de l'événement d'apprentissage.
• Phases de fonctionnement : L'article formalise trois phases : Apprentissage (création de la fonction de prédiction), Prédiction (calcul des scores) et Recommandation (génération de la nouvelle impression). Les IARS utilisent les impressions passées pour apprendre et prédire, mais ne peuvent pas utiliser la nouvelle impression générée avant qu'elle ne soit affichée.
• Classification des impressions :
  • Contextuelles : Lien explicite entre l'item interacté et l'impression spécifique dans laquelle il se trouvait.
  • Globales : Liste d'items montrés sans lien direct avec l'interaction spécifique (plus rare et moins informatif).

B. Système de Classification (Taxonomies)

Les auteurs proposent un système de classification à trois dimensions pour catégoriser les 43 articles étudiés :

1. Taxonomie centrée sur le modèle (Model-centric) :

   • Heuristiques : Règles ad-hoc (ex: fréquence de capping).
   • Statistiques : Distributions probabilistes (ex: fatigue utilisateur).
   • Machine Learning : Arbres de décision, factorisation de matrices.
   • Deep Learning : MLP, Encoder-Decoder, Two-Tower, MMoE.
   • Reinforcement Learning (RL) : Modélisation comme processus de décision de Markov (MAB, Actor-Critic).
   • Tendance : Forte domination récente du Deep Learning et du RL (près de 60% des papiers récents).

2. Taxonomie centrée sur les données (Data-centric) :

   • Features : Extraction de statistiques depuis les impressions (ex: nombre de vues).
   • Learn : Utilisation directe de l'impression (vecteur d'items) comme entrée du modèle.
   • Sample : Échantillonnage d'items depuis le catalogue incluant des items impressionnés.

3. Taxonomie centrée sur le signal (Signal-centric) :

   • Assume : Les items non-interactés sont supposés négatifs (hypothèse "missing as negative").
   • Learn : Le modèle apprend le signal (positif, neutre ou négatif) des items non-interactés (ex: fatigue, désintérêt).

C. Analyse des Données (Datasets)

L'état des lieux des datasets révèle :

• 13 datasets publics identifiés.
• Problème majeur : 10 datasets contiennent des impressions globales (sans lien contexte-interaction), limitant leur utilité pour étudier les biais de position ou les signaux complexes. Seuls 3 datasets contiennent des impressions contextuelles (ex: MIND, ContentWise Impressions, FINN.no Slates).
• Échelle : Le ratio Impressions/Interactions est élevé (médiane ~18), offrant un volume de données massif mais posant des défis de scalabilité.

D. Évaluation et Défis

• Méthodologies : La majorité des papiers utilisent des évaluations offline. Seuls quelques-uns combinent offline et online, ou utilisent des études utilisateurs.
• Défis identifiés :
  • Signaux ambigus : Un item non-interacté n'est pas nécessairement négatif (il peut être pertinent mais ignoré à cause d'un item plus attractif dans la même impression).
  • Biais : Les impressions contiennent des biais d'exposition et de position qui doivent être corrigés (débiaisage).
  • Scalabilité : La quantité massive d'impressions rend l'entraînement coûteux.
  • Fatigue utilisateur : Modéliser le désintérêt dû à la répétition d'items.

4. Résultats et Tendances Observées

• Évolution des modèles : On observe un glissement rapide des approches heuristiques/statistiques (pré-2017) vers des architectures complexes (Deep Learning, RL) depuis 2018.
• Traitement des signaux : La majorité des travaux (63,6%) supposent encore que les items non-interactés sont des signaux négatifs. Seule une minorité (25%) tente d'apprendre ces signaux, ce qui est identifié comme une opportunité majeure de recherche.
• Architecture : Les modèles "End-to-End" (68%) dominent, suivis par les approches de ré-ranking (16%).
• Limites actuelles : Peu de travaux utilisent des techniques de factorisation de graphes ou de machines à vecteurs de support pour les impressions, et l'échantillonnage d'items reste sous-exploité.

5. Signification et Perspectives Futures

Cet article est fondamental car il établit le premier cadre unifié pour l'étude des impressions dans les systèmes de recommandation.

• Impact scientifique : Il clarifie la distinction entre les IARS et les systèmes contextuels, permettant une comparaison plus juste des algorithmes.
• Impact pratique : Il met en lumière le potentiel des impressions pour améliorer la précision des recommandations, gérer la fatigue utilisateur et réduire les biais de popularité.
• Directions futures :
  • Développement de modèles capables de désentremêler les signaux (distinguer un item non-interacté par désintérêt d'un item ignoré par distraction).
  • Publication de datasets publics contextuels complets (avec position et origine de l'impression).
  • Création de nouvelles méthodes de débiaisage utilisant les impressions pour calculer des scores de propension plus précis.
  • Étude approfondie de la fatigue utilisateur et de son impact sur la rétention.

En conclusion, les auteurs plaident pour une adoption plus systématique des impressions non seulement comme données d'entraînement, mais comme source d'information riche pour comprendre les préférences utilisateurs au-delà de la simple interaction binaire.