Imaginez que vous pénétrez dans une bibliothèque immense et chaotique où des millions de personnes crient ce qu'elles ont aimé, mais la pièce est si bruyante que vous pouvez à peine les entendre. Certains chuchotent, d'autres hurlent, et quelques-uns font simplement des bruits aléatoires qui donnent l'impression qu'ils aiment un livre alors qu'en réalité, ce n'est pas le cas. C'est le monde des systèmes de recommandation, ces moteurs numériques derrière Netflix, Spotify et Amazon qui tentent de deviner ce que vous voudrez ensuite. Pour faire ces suppositions, les ordinateurs utilisent ce qu'on appelle les Réseaux de Neurones sur Graphes (GNN). Considérez un GNN comme un bibliothécaire super intelligent qui ne se contente pas de regarder la liste d'une seule personne, mais examine tout le réseau de connexions entre chaque lecteur et chaque livre. Cependant, ce bibliothécaire a un problème : quand la bibliothèque est trop calme (données éparses) ou trop bruyante (mauvais retours), le bibliothécaire s'embrouille et commence à recommander des livres que vous détesterez.

La grande question que les scientifiques se posent est la suivante : comment enseigner à ce bibliothécaire à ignorer le bruit et à trouver les vrais motifs, même lorsque les données sont désordonnées ? La réponse implique généralement l'apprentissage contrastif, qui consiste à demander au bibliothécaire de comparer deux versions légèrement différentes de la même histoire pour voir ce qui reste identique (la vérité) et ce qui change (le bruit). Mais la plupart des méthodes actuelles tentent de corriger le bruit en secouant aléatoirement les étagères de la bibliothèque ou en ajoutant de faux livres, ce qui peut accidentellement jeter le bon grain avec l'ivraie.

Ce document présente un nouveau et astucieux bibliothécaire nommé COMPASS (Approche de Décomposition Multiples Contrastive avec Signaux Guidés par le Social). Au lieu de secouer aléatoirement les étagères, COMPASS utilise une paire de lunettes spéciales qui lui permettent de voir la bibliothèque en couches. Il regarde la « vue d'ensemble » de ce que tout le monde aime (motifs globaux) et se concentre ensuite pour voir les détails infimes et spécifiques de ce que quelques personnes aiment (détails locaux). Il écoute également ce que vos amis disent des livres, mais seulement comme une suggestion légère, et non comme une règle stricte. Les chercheurs ont testé cela sur des données réelles de musique, de films et de livres, et ont découvert que COMPASS est bien meilleur pour ignorer le bruit et donner d'excellentes recommandations, même lorsque les données sont très désordonnées ou lorsque les utilisateurs n'ont lu que peu de livres.

Le Problème : Une Bibliothèque Bruyante

Imaginez que vous essayez de comprendre ce que votre ami aime manger. Vous lui demandez : « Est-ce que tu aimes la pizza ? » et il répond « Oui ». Mais et s'il était juste poli, ou peut-être qu'il avait faim et disait oui à tout ? Dans le monde des recommandations en ligne, cela arrive tout le temps. Les utilisateurs cliquent sur des choses qu'ils n'aiment pas réellement, ou ils naviguent simplement sans acheter. C'est ce qu'on appelle le feedback implicite bruyant.

Les programmes informatiques actuels qui tentent de deviner ce que vous aimez (systèmes de recommandation) traitent souvent chaque clic comme une vérité absolue. Ils construisent une carte géante (un graphe) reliant les utilisateurs aux articles. Mais si la carte comporte trop de mauvaises connexions, l'ordinateur se perd. C'est comme essayer de naviguer dans une ville où la moitié des panneaux de signalisation indiquent le mauvais endroit. La plupart des méthodes existantes tentent de corriger cela en supprimant aléatoirement certaines connexions ou en en ajoutant de fausses pour voir ce qui se passe. Mais c'est un peu comme essayer de réparer une carte cassée en lançant des fléchettes dessus en espérant toucher le bon endroit. Cela supprime souvent les bons indices en même temps que les mauvais.

La Solution : COMPASS et Ses Lunettes Spéciales

Les auteurs de ce document, Mohammad Aliabadi, Alireza Abdollahpouri et Parham Moradi, ont créé un nouveau système appelé COMPASS. Au lieu de deviner aléatoirement quelles connexions sont réelles, COMPASS utilise un tour mathématique appelé Décomposition en Valeurs Singulières (SVD).

Considérez la SVD comme un moyen de prendre une photo géante et désordonnée de la bibliothèque et de la décomposer en couches de clarté.

1. La Couche de Bas Rang (La Vue d'Ensemble) : Cette couche montre les motifs les plus évidents. C'est comme voir la bibliothèque depuis un drone : vous voyez clairement les allées principales et les sections les plus populaires. C'est excellent pour les utilisateurs qui n'ont pas encore lu beaucoup de livres (utilisateurs éparses) car cela leur donne une recommandation sûre et générale basée sur ce que tout le monde aime.
2. La Couche de Haut Rang (Les Détails Précis) : Cette couche zoome pour montrer les détails infimes et spécifiques. C'est comme marcher dans l'allée et remarquer qu'une personne spécifique adore un genre très obscur. C'est excellent pour les utilisateurs qui ont lu beaucoup de livres (utilisateurs actifs) car cela capture leurs goûts uniques et spécifiques.

La plupart des systèmes ne regardent qu'une seule de ces couches. COMPASS, cependant, enfile une paire de lunettes Gumbel-Softmax. Ces lunettes décident automatiquement de la quantité de la « vue d'ensemble » par rapport des « détails précis » pour chaque personne. Si vous êtes un nouvel utilisateur, les lunettes se concentrent sur la vue d'ensemble. Si vous êtes un super-fan, les lunettes zooment sur les détails. Cela se produit automatiquement, sans que l'ordinateur n'ait besoin d'être informé de ce qu'il doit faire.

Le Murmure Social

COMPASS écoute également vos amis, mais il le fait prudemment. Dans de nombreux systèmes, si votre ami aime quelque chose, l'ordinateur vous force à aimer cela aussi. Mais et si votre ami était juste bizarre ? COMPASS traite les connexions sociales comme un murmure léger. Il dit : « Hé, ton ami aime ceci, donc peut-être que tu aimeras aussi », mais il ne force pas la question. Si l'ordinateur voit que le goût de votre ami ne correspond pas à votre comportement réel, il ignore le murmure. Cela aide le système à rester robuste même si certaines connexions sociales sont fausses ou faibles.

L'Équilibre

Entraîner un ordinateur à faire toutes ces choses à la fois est délicat. L'ordinateur doit apprendre à recommander des articles (la tâche principale) tout en apprenant aussi à ignorer le bruit (la tâche supplémentaire). S'il se concentre trop sur l'ignorance du bruit, il pourrait oublier comment recommander. S'il se concentre trop sur la recommandation, il pourrait être confus par le bruit.

Les auteurs ont utilisé une stratégie de pondération équilibrée par gradient. Imaginez une balançoire dont les poids s'ajustent constamment. L'ordinateur observe la difficulté d'apprendre chaque partie et ajuste automatiquement le poids pour maintenir la balançoire en équilibre. Cela garantit que l'ordinateur apprend parfaitement les deux compétences sans que l'une ne domine l'autre.

Ce Qu'Ils Ont Trouvé

L'équipe a testé COMPASS sur trois ensembles de données réels : Yelp (entreprises), LastFM (musique) et Douban (livres). Ils l'ont comparé à dix autres systèmes de haut niveau.

• Une Meilleure Précision : COMPASS a systématiquement battu les autres systèmes. Sur l'ensemble de données Douban, il a amélioré la précision des recommandations jusqu'à 5,76 % (mesurée par NDCG@20) par rapport au système suivant de meilleur niveau. Cela peut sembler peu, mais dans le monde des moteurs de recommandation, c'est une victoire énorme.
• Gestion du Bruit : Les chercheurs ont délibérément ajouté du « bruit » aux données, rendant 20 % des interactions fausses. Même avec autant de corruption, COMPASS a continué de bien performer, tandis que les autres systèmes se sont effondrés. Cela suggère que COMPASS est très bon pour ignorer les signaux faux.
• Aide aux Nouveaux Utilisateurs : Le système était particulièrement efficace pour aider les utilisateurs ayant très peu d'interactions (utilisateurs éparses). En se concentrant sur la « vue d'ensemble » pour ces utilisateurs, il pouvait toujours faire de bonnes suppositions malgré le manque de données.
• Vitesse : Malgré tout ce calcul supplémentaire, le système n'est pas devenu beaucoup plus lent. Les calculs supplémentaires (les couches SVD) ont été effectués une fois avant le début de l'entraînement, donc pendant l'apprentissage effectif, il était aussi rapide que les autres systèmes.

La Conclusion

Le document suggère que le secret d'un bon système de recommandation n'est pas seulement d'avoir plus de données ou d'ajouter plus de bruit au mélange. C'est de regarder les données sous différents angles. En décomposant les connexions utilisateur-article en couches de « vue d'ensemble » et de « détail précis », et en laissant le système décider de l'angle sur lequel se concentrer pour chaque personne, nous pouvons construire des systèmes plus intelligents, plus robustes et mieux capables de gérer la réalité désordonnée du comportement humain.

Les auteurs notent que bien que cela fonctionne bien, il reste encore de la marge de progression. Les travaux futurs pourraient consister à rendre les « murmures sociaux » encore plus intelligents en déterminant quels amis sont dignes de confiance, ou en utilisant la même idée de multi-couches pour les réseaux sociaux eux-mêmes. Mais pour l'instant, COMPASS montre qu'un peu de décomposition structurelle permet d'aller très loin pour rendre nos recommandations numériques un peu plus humaines.