DisenReason: Behavior Disentanglement and Latent Reasoning for Shared-Account Sequential Recommendation

Le papier propose DisenReason, une méthode de recommandation séquentielle pour comptes partagés qui surpasse les approches existantes en découplant les comportements des utilisateurs dans le domaine fréquentiel pour générer une représentation collective, permettant ainsi de déduire dynamiquement le nombre d'utilisateurs sous-jacents et d'améliorer la précision des recommandations.

L'essentiel

🎬 Le Problème : La Famille et le Compte Netflix

Imaginez que vous avez un compte Netflix ou Amazon Prime. Ce compte est partagé par toute la famille : papa, maman, et les deux enfants.

• Le problème actuel : La plupart des systèmes de recommandation actuels pensent qu'il n'y a qu'une seule personne derrière ce compte. Ils regardent ce que vous avez regardé hier et pensent : "Ah, cette personne aime les films d'action, je vais lui en proposer d'autres !"
• La réalité : Si papa regarde un documentaire sur la nature ce soir, et que demain matin, le petit fils regarde des dessins animés, le système est perdu. Il ne sait pas qui est derrière l'écran. De plus, il ne sait pas combien de personnes partagent le compte. Est-ce 2 personnes ? 4 ? 10 ? Les méthodes actuelles supposent souvent un nombre fixe (par exemple, "il y a toujours 3 personnes"), ce qui est faux.

🧠 La Solution : DisenReason (Le Détective Intuitif)

Les auteurs de cet article proposent une nouvelle méthode appelée DisenReason. C'est comme un détective très intelligent qui ne se contente pas de regarder la dernière action, mais qui essaie de comprendre qui est derrière l'écran et combien ils sont, en temps réel.

Le système fonctionne en deux étapes magiques, comme un chef cuisinier qui prépare un plat complexe.

Étape 1 : Le Tri des Fréquences (Le "Mixeur de Sons") 🎚️

Imaginez que l'historique de visionnage du compte familial est un grand bruit de fond ou un mélange de plusieurs musiques jouées en même temps.

• Parfois, on entend une mélodie lente et stable (c'est peut-être la grand-mère qui regarde des documentaires tous les soirs à la même heure).
• Parfois, on entend des notes rapides et explosives (c'est peut-être l'enfant qui regarde des vidéos courtes et changeantes).

Les méthodes actuelles écoutent juste la dernière note jouée. DisenReason, lui, utilise une technique appelée Transformée de Fourier (un outil mathématique utilisé en musique et en radio).

• L'analogie : Imaginez que vous avez un mélange de jus de fruits (orange, pomme, banane). Au lieu de goûter le mélange, DisenReason utilise un filtre magique pour séparer les saveurs. Il isole la "fréquence" de l'orange, celle de la pomme, etc.
• Le résultat : Il réussit à séparer les habitudes de chaque membre de la famille, même si elles sont mélangées dans le même historique. Il crée ensuite une "carte d'identité" globale du compte, qui résume ce que fait toute la famille ensemble, pas juste la dernière personne.

Étape 2 : Le Raisonnement Progressif (Le "Détective qui enlève les indices") 🕵️‍♂️

Une fois qu'il a la "carte d'identité" du compte (l'étape 1), le système commence à deviner qui sont les utilisateurs cachés. C'est ici qu'intervient le raisonnement latent.

• L'analogie : Imaginez que le système a un tas de vêtements mélangés dans un panier. Il doit deviner qui sont les propriétaires.
  1. Il regarde le panier et dit : "Je vois un costume gris, c'est sûrement Papa." Il sort le costume du panier.
  2. Il regarde ce qui reste et dit : "Ah, il reste une robe colorée, c'est Maman." Il l'enlève aussi.
  3. Il continue ainsi, pièce par pièce.
• La particularité : À chaque fois qu'il trouve un utilisateur, il enlève sa "trace" du panier (c'est ce qu'on appelle le raisonnement résiduel). Cela l'empêche de se tromper et de dire "Ah, il y a encore un Papa !" alors qu'il ne reste que des vêtements d'enfants.
• L'arrêt intelligent : Le système s'arrête tout seul quand il ne trouve plus de nouveaux vêtements distincts. Il ne fixe pas à l'avance le nombre de personnes. S'il y a 2 personnes, il s'arrête à 2. S'il y en a 5, il va jusqu'à 5.

🏆 Pourquoi c'est génial ? (Les Résultats)

Les chercheurs ont testé cette méthode sur quatre grands ensembles de données (comme des bases de données de films et de livres).

• Résultat : DisenReason bat tous les autres systèmes existants.
• L'analogie finale : Si les autres systèmes devinent le prochain film à regarder avec une précision de 80%, DisenReason monte à 92% ou plus. C'est comme si un ami qui vous connaît vraiment bien vous conseillait un film, au lieu d'un robot qui devine au hasard.

En Résumé

DisenReason est un système de recommandation qui comprend que les comptes sont souvent partagés. Au lieu de supposer qu'il y a une seule personne ou un nombre fixe de personnes, il :

1. Sépare les habitudes mélangées (comme trier des couleurs dans un mélange).
2. Devine qui sont les utilisateurs un par un, en s'assurant de ne pas compter deux fois la même personne.
3. S'arrête quand il a tout trouvé, sans avoir besoin qu'on lui dise à l'avance combien de personnes il y a.

C'est une avancée majeure pour rendre les recommandations plus humaines et plus précises, que ce soit pour une famille qui partage un compte TV ou des amis qui partagent un compte de musique.

Résumé technique

Voici un résumé technique détaillé de l'article "DisenReason: Behavior Disentanglement and Latent Reasoning for Shared-Account Sequential Recommendation", rédigé en français.

1. Problématique et Contexte

La recommandation séquentielle (SR) vise à prédire la prochaine interaction d'un utilisateur en se basant sur son historique de comportements. Cependant, une hypothèse fondamentale de la plupart des modèles existants est qu'un compte correspond à un seul individu. Dans la réalité, le partage de comptes est omniprésent sur les plateformes de streaming, d'e-commerce et d'apprentissage en ligne (ex: comptes VIP familiaux).

Ce scénario donne lieu à la tâche de Recommandation Séquentielle sur Compte Partagé (SSR - Shared-Account Sequential Recommendation). Les défis majeurs identifiés dans la littérature actuelle sont :

• Hypothèse rigide : Les méthodes existantes supposent souvent un nombre fixe d'utilisateurs latents par compte, ce qui ne reflète pas la diversité réelle (de 2 à plusieurs membres).
• Point de pivot inadéquat : Les techniques de "raisonnement latent" récentes utilisent la dernière interaction (le dernier article) comme point de départ pour déduire les intérêts. Dans un compte partagé, le dernier article ne représente que le comportement du dernier utilisateur actif, et non la dynamique collective du compte, rendant l'inférence des autres utilisateurs difficile.

L'objectif est donc de concevoir un modèle capable d'inférer adaptativement le nombre variable d'utilisateurs derrière un compte partagé et de représenter leur comportement collectif pour améliorer la précision des recommandations.

2. Méthodologie : Le Framework DisenReason

Les auteurs proposent DisenReason, un cadre de raisonnement en deux étapes qui transforme le problème de l'inférence d'utilisateurs en un processus de génération d'embeddings intermédiaires dans l'espace latent.

Étape 1 : Désenchevêtrement du Comportement pour Créer un Pivot (Behavior Disentanglement for Pivot)

L'idée centrale est de traiter la séquence d'interactions mixte comme un signal temporel entremêlé.

• Approche fréquentielle : En s'inspirant du traitement du signal, les auteurs utilisent la Transformée de Fourier Rapide (FFT) pour convertir la séquence d'interactions (espace temporel) en espace fréquentiel.
• Désenchevêtrement : Ils postulent que différents utilisateurs ont des rythmes temporels distincts (préférences stables = basses fréquences, interactions éphémères = hautes fréquences). La séquence est divisée en plusieurs sous-bandes de fréquence égales.
• Reconstruction et Fusion : Chaque sous-bande est reconvertie en espace temporel via une Transformée de Fourier Inverse (IFFT) pour obtenir des représentations de comportements distincts. Une couche de Mixture-of-Experts (MoE) apprend ensuite à fusionner adaptativement ces composantes (en attribuant des poids) pour créer une représentation unifiée du compte.
• Résultat : Le dernier état caché de cette séquence fusionnée sert de pivot de raisonnement, représentant le comportement collectif du compte plutôt que celui d'un seul utilisateur.

Étape 2 : Raisonnement Résiduel Progressif pour les Utilisateurs Latents (Progressive Residual Reasoning)

Cette étape vise à décomposer le pivot collectif pour identifier les utilisateurs individuels.

• Processus itératif : Le modèle utilise une fonction de raisonnement (réutilisant la logique de désenchevêtrement) pour extraire séquentiellement un utilisateur latent à partir du pivot.
• Mécanisme Résiduel : À chaque étape $t$, une représentation d'utilisateur $\mathbf{u}^{(t)}$ est générée. Cette représentation est ensuite soustraite du pivot courant (mise à jour résiduelle) pour éliminer l'information déjà expliquée et permettre à l'étape suivante de se concentrer sur les utilisateurs restants.
• Critère d'arrêt adaptatif : Le processus s'arrête automatiquement lorsque la similarité cosinus entre deux utilisateurs inférés consécutifs dépasse un seuil $\alpha$. Cela permet au modèle de déterminer le nombre exact d'utilisateurs sans hypothèse préalable.
• Prédiction finale : Les représentations de tous les utilisateurs inférés sont agrégées pour prédire le prochain article.

3. Contributions Clés

1. Première application du raisonnement latent à la SSR : C'est la première étude à introduire le paradigme de "raisonnement latent" (génération d'étapes intermédiaires) spécifiquement pour inférer le nombre d'utilisateurs dans un compte partagé.
2. Architecture DisenReason : Un cadre novateur en deux étapes combinant la désenchevêtrement fréquentiel (pour créer un pivot robuste) et le raisonnement résiduel progressif (pour extraire les utilisateurs).
3. Inférence adaptative : Contrairement aux méthodes précédentes fixant le nombre d'utilisateurs, DisenReason apprend dynamiquement ce nombre, s'adaptant à la complexité variable des scénarios réels.
4. Validation empirique : Des expériences sur quatre jeux de données (réels et synthétiques) démontrent une supériorité constante par rapport aux state-of-the-art (SOTA).

4. Résultats Expérimentaux

Les expériences ont été menées sur quatre jeux de données de référence (HvideoE, HvideoV, HamazonM, HamazonB) en comparant DisenReason avec des modèles de recommandation séquentielle classiques (SASRec, GRURec) et des modèles SSR avancés (LightGC2N, DA-GCN).

• Performance Globale : DisenReason surpasse systématiquement tous les modèles de base.
  • Amélioration relative maximale de 12,56 % en MRR@5.
  • Amélioration relative de 6,06 % en Recall@20.
• Analyse d'ablation :
  • Le module de désenchevêtrement est crucial : son retrait entraîne une chute drastique des performances (ex: MRR@5 passe de 52,05 à 33,35 sur HV-E), prouvant que le dernier article seul est un pivot insuffisant.
  • L'utilisation de LightGCN pour enrichir les embeddings initiaux est essentielle pour capturer les signaux collaboratifs globaux.
  • L'opération résiduelle améliore la précision en évitant les redondances sémantiques.
• Robustesse : Le modèle maintient sa supériorité même avec des séquences longues ou une proportion réduite de données d'entraînement (20 %), là où les autres modèles fluctuent ou régressent.
• Inférence du nombre d'utilisateurs : L'analyse visuelle montre que le modèle infère correctement des nombres d'utilisateurs variables (ex: 2, 3, 4) selon les comptes, validant sa capacité d'adaptation.

5. Signification et Impact

• Théorique : L'article remet en question l'hypothèse du nombre fixe d'utilisateurs, un biais majeur dans la recherche SSR. Il propose une nouvelle perspective en reliant le traitement du signal (Fourier) et le raisonnement latent pour la modélisation comportementale.
• Pratique : Pour les plateformes de streaming et d'e-commerce, DisenReason offre une solution scalable pour personnaliser les recommandations sans nécessiter d'identification explicite des utilisateurs ou de configuration manuelle du nombre de membres. Cela permet de mieux servir les familles et les groupes partageant un compte, améliorant ainsi l'expérience utilisateur et l'engagement.

En conclusion, DisenReason représente une avancée significative en résolvant le problème de la variabilité des utilisateurs dans les comptes partagés grâce à une approche de désenchevêtrement fréquentiel et de raisonnement itératif, établissant un nouvel état de l'art dans le domaine.