Multi-TAP: Multi-criteria Target Adaptive Persona Modeling for Cross-Domain Recommendation

Le papier présente Multi-TAP, un cadre de modélisation de personnalités adaptatif et multi-critères qui améliore la recommandation inter-domaines en capturant explicitement l'hétérogénéité des préférences utilisateurs et en transférant sélectivement les connaissances pertinentes entre les domaines.

L'essentiel

Imaginez que vous êtes un libraire très occupé qui essaie de recommander des livres à ses clients. Mais il y a un problème : il connaît très bien les goûts de ses clients pour les livres de cuisine, mais il ne sait presque rien de ce qu'ils aiment dans les romans policiers.

C'est le problème classique de la recommandation croisée : comment utiliser ce que l'on sait d'un domaine (la cuisine) pour aider dans un autre domaine (les polars), surtout quand on a peu de données sur ce second domaine ?

La plupart des systèmes actuels font une erreur de logique : ils pensent qu'une personne est la même partout. Ils disent : "Ah, ce client aime les livres de cuisine chers, donc il va sûrement aimer les romans policiers chers aussi."

Mais la réalité est plus subtile. Ce même client pourrait aimer les livres de cuisine chers (parce qu'il veut des ingrédients de qualité), mais préférer les romans policiers bon marché (parce qu'il les lit vite et les jette). C'est ce que les auteurs appellent l'hétérogénéité intra-domaine : nos goûts changent selon le contexte, même au sein d'une même catégorie de produits.

Voici comment le nouveau système, Multi-TAP, résout ce problème, expliqué simplement :

1. Le concept de "Persona" (Le Masque)

Au lieu de voir l'utilisateur comme une seule personne avec un seul profil, Multi-TAP imagine que nous avons plusieurs "personas" ou masques selon ce que nous achetons.

• L'analogie du déguisement : Imaginez que vous avez un costume pour aller au travail (sérieux, économe), un autre pour aller à une fête (fun, dépensier) et un troisième pour le sport (pratique, robuste).
• La méthode : Le système utilise une intelligence artificielle (un grand modèle de langage) pour lire l'historique d'achat du client et écrire une petite description pour chaque "masque".
  • Masque "Cuisine" : "J'adore les ingrédients de luxe et les livres de cuisine chers."
  • Masque "Polar" : "Je cherche des histoires à petit prix que je peux lire dans le métro."

Le système ne crée pas un seul profil flou, mais plusieurs profils précis basés sur différents critères (prix, popularité, diversité, etc.).

2. Le "Doppelgänger" (Le Double)

C'est la partie la plus ingénieuse du système. Une fois qu'on a ces différents masques, comment transférer les connaissances d'un domaine à l'autre sans faire d'erreur ?

• L'analogie du miroir : Imaginez que vous voulez transférer des compétences d'un domaine à l'autre. Au lieu de copier-coller tout le profil du client (ce qui mélangerait tout), Multi-TAP crée un "Doppelgänger" (un double) dans le domaine cible.
• Comment ça marche ?
  1. Le système prend le profil "Polar" du client dans le domaine cible (celui où il y a peu de données).
  2. Il regarde le profil "Cuisine" du même client dans le domaine source (celui où il y a beaucoup de données).
  3. Il crée un "Double" dans le domaine cible qui est une version améliorée du profil "Polar", en y ajoutant seulement les informations utiles venant du profil "Cuisine".
  4. Si le client aime les livres chers en cuisine, le système ne va pas automatiquement lui proposer des polars chers. Il va seulement transférer les aspects pertinents (par exemple, son goût pour la qualité) et ignorer le reste.

C'est comme si vous disiez à votre double : "Tu es un expert en polars, mais tu as aussi le sens de la qualité de ton côté cuisine. Utilise ce sens de la qualité pour choisir les polars, mais ignore le prix, car ici on veut du pas cher."

3. Le résultat final

Au lieu d'avoir un seul profil utilisateur qui est une moyenne confuse de tout ce qu'il a fait, Multi-TAP construit une représentation fine et précise.

• Avantage : Le système ne fait plus de recommandations "au hasard" ou basées sur des généralités. Il comprend que vous pouvez être un "dépensier" pour les gadgets électroniques mais un "économe" pour les vêtements.
• Performance : Les tests montrent que cette méthode est bien meilleure que les anciennes, car elle ne perd pas les détails importants en essayant de tout simplifier.

En résumé

Multi-TAP est comme un chef cuisinier très observateur. Au lieu de dire "Ce client aime la nourriture", il dit : "Ce client aime les plats épicés et chers pour les dîners d'anniversaire, mais il préfère les plats simples et bon marché pour le déjeuner."

En comprenant ces nuances, il peut vous recommander le livre parfait, même s'il ne vous a jamais vu acheter de livres auparavant, simplement en comprenant comment vos goûts fonctionnent dans d'autres situations. C'est une approche plus humaine, plus intelligente et beaucoup plus précise.

Résumé technique

1. Problématique : L'Hétérogénéité Intra-Domaine

Le domaine de la Recommandation Transversale (Cross-Domain Recommendation - CDR) vise à pallier la sparsité des données dans un domaine cible en transférant les connaissances d'un domaine source riche en données. Cependant, les méthodes existantes reposent sur une hypothèse fondamentale souvent erronée : celle d'une homogénéité des préférences utilisateur au sein d'un même domaine.

Les auteurs identifient un problème critique appelé hétérogénéité intra-domaine (IDH). Même au sein d'un seul domaine (par exemple, l'électronique), les préférences des utilisateurs varient considérablement selon les catégories de produits (ex. : un utilisateur peut acheter des ordinateurs haut de gamme mais des accessoires audio bon marché).

• Limitation actuelle : Les méthodes CDR traditionnelles agrègent les comportements en une seule représentation de niveau "domaine", ce qui compresse et masque les signaux de préférences fins dépendants du contexte.
• Conséquence : Le transfert de ces représentations compressées entraîne une perte d'information significative et un transfert de connaissances indifférencié, réduisant la précision des recommandations.

2. Méthodologie : Le Cadre Multi-TAP

Pour résoudre ce problème, les auteurs proposent Multi-TAP (Multi-criteria Target Adaptive Persona), un cadre innovant qui décompose explicitement les préférences utilisateur selon plusieurs critères et effectue un transfert sélectif. L'architecture se divise en deux phases principales :

Phase 1 : Modélisation des Personas Multi-Critères (Multi-criteria Persona Modeling)

Cette phase vise à capturer l'hétérogénéité intra-domaine en créant des "personas" spécifiques pour chaque critère de préférence.

• Critères de préférence : Le modèle utilise cinq critères interprétables : sensibilité au prix, préférence de qualité, biais de popularité, diversité des catégories et familiarité avec les catégories.
• Rôle des LLM : Un Grand Modèle de Langage (LLM, ici GPT-4o) est utilisé non pas pour inférer des préférences, mais pour générer des descriptions textuelles de personas basées sur des données structurées (historique d'interactions et métadonnées des articles).
• Encodage et Agrégation : Chaque description de persona est encodée en un vecteur dense. Une mécanisme d'auto-attention (Self-Attention) agrège ensuite ces multiples vecteurs de personas en une seule représentation utilisateur consciente des critères pour chaque domaine (source et cible). Cela permet de conserver la structure fine des préférences plutôt que de les fusionner aveuglément.

Phase 2 : Transfert Adaptatif par "Doppelganger" (Target-adaptive Doppelganger Transfer)

Cette phase gère le transfert de connaissances du domaine source vers le domaine cible de manière sélective.

• Le concept de Doppelganger : Au lieu d'aligner directement les embeddings du domaine source et du domaine cible (ce qui peut déformer les préférences spécifiques à la cible), Multi-TAP crée un embedding "doppelganger" dans le domaine cible.
• Mécanisme de transfert : Cet embedding doppelganger est initialisé à partir de la représentation cible de l'utilisateur. Il absorbe ensuite sélectivement les signaux transférables du domaine source via une opération de cross-attention.
• Objectif d'apprentissage : Un objectif de contraste (InfoNCE) aligne la représentation cible réelle avec son doppelganger enrichi, tout en repoussant les doppelgangers des autres utilisateurs. Cela garantit que seul le knowledge pertinent et transférable est intégré, préservant ainsi l'intégrité des préférences spécifiques au domaine cible.

3. Contributions Clés

1. Observation Empirique : Identification et quantification du problème d'hétérogénéité intra-domaine, démontrant que les préférences des utilisateurs changent systématiquement selon les catégories, même au sein d'un même domaine.
2. Nouveau Cadre CDR (Multi-TAP) : Proposition d'une architecture qui :
   • Décompose les préférences utilisateur en multiples personas basés sur des critères sémantiques via des LLM.
   • Utilise un mécanisme de "doppelganger" pour un transfert de connaissances adaptatif et sélectif, évitant le transfert indifférencié.
3. Performance Supérieure : Démonstration expérimentale que la modélisation explicite de l'hétérogénéité intra-domaine est cruciale pour des recommandations transversales robustes.

4. Résultats Expérimentaux

Les auteurs ont évalué Multi-TAP sur des jeux de données réels provenant d'Amazon (domaines : Électronique, Maison, Sports, Vêtements, Jouets).

• Comparaison avec l'état de l'art : Multi-TAP surpasse systématiquement cinq méthodes CDR de pointe (incluant UniCDR, DGCDR, PPA) et plusieurs méthodes de recommandation mono-domaine.
• Améliorations : Sur la tâche de transfert Home → Electronics, Multi-TAP dépasse le meilleur concurrent (PPA) de 36,3 % en termes de Hit Ratio@5 (HR@5) et de 42,6 % en NDCG@5.
• Analyse des ablations :
  • L'utilisation de métadonnées traitées (niveaux ordinaux) plutôt que brutes améliore les performances.
  • La décomposition multi-personas est supérieure à la modélisation par un seul persona.
  • L'agrégation par auto-attention est plus efficace que les moyennes simples ou la concaténation.
  • Le transfert par "doppelganger" est plus stable et performant que les alignements directs (Direct-ID ou Direct-Persona).
• Efficacité : Le modèle est entraîné en 9 à 30 minutes par paire de domaines, la génération de personas étant effectuée hors ligne.

5. Signification et Impact

Ce travail marque un changement de paradigme dans la recherche sur la recommandation transversale. Il démontre que la clé d'un transfert de connaissances efficace ne réside pas seulement dans l'alignement des domaines, mais dans la préservation de la granularité des préférences au sein de chaque domaine.

En intégrant les LLM pour une modélisation sémantique structurée et en introduisant un mécanisme de transfert adaptatif, Multi-TAP résout le problème de la "perte d'information" inhérente aux méthodes précédentes. Cela ouvre la voie à des systèmes de recommandation plus précis, capables de comprendre les nuances complexes du comportement des consommateurs dans les plateformes de commerce électronique modernes.