beeFormer : combler le fossé entre la similarité sémantique et l’interaction dans les systèmes de recommandation
Le projet beeFormer présente une nouvelle approche des systèmes de recommandation conçue pour résoudre le problème du démarrage à froid. Il utilise des modèles de langage pour apprendre les schémas de comportement des utilisateurs à partir des données d’interaction et transférer ces connaissances à des éléments non vus. Contrairement au filtrage basé sur le contenu traditionnel, qui dépend des attributs des éléments, beeFormer apprend les schémas d’interaction des utilisateurs pour mieux recommander des éléments alignés sur les intérêts des utilisateurs, même sans données d’interaction préalables. Les expériences montrent des améliorations significatives des performances. Le projet fournit des étapes de formation détaillées et des modèles pré-entraînés, prenant en charge des ensembles de données tels que MovieLens, GoodBooks et Amazon Books.