Apprentissage automatique/systèmes de recommandation
Système de recommandation de films
Recommandation de film : de la factorisation matricielle au Neural CF hybride, comparé à un LLM à tir nul.
- Rôle
- Contributeur de projet d'apprentissage automatique
- Quand
- déc. 2025
- Statut
- course project
Un projet de cours d'apprentissage automatique Tsinghua comparant les méthodes classiques du système de recommandation, le filtrage neuronal collaboratif et une base de référence LLM zéro-shot pour la recommandation de films.
Le problème
Recommandez des films aux utilisateurs à partir de préférences historiques tout en comparant si les modèles de recommandation spécialisés surpassent un LLM à usage général utilisé sans formation spécifique à une tâche.
Trois recommandateurs, une question
Un recommandateur spécialisé bat-il toujours un LLM à usage général qui n'a jamais été formé à cette tâche ? Le projet met les deux extrêmes et un hybride sur le même ring.
Ligne de base classique
Factorisation matricielle
Décompose la matrice clairsemée de classement des films par les utilisateurs en facteurs latents, le point de référence standard de filtrage collaboratif.
Modèle principal
Neuronal hybride CF
Filtrage collaboratif neuronal combinant les intégrations d'utilisateurs/d'éléments apprises avec l'historique des interactions pour un classement personnalisé.
Référence
LLM zero-shot
Un LLM à usage général a demandé l'historique d'un utilisateur et lui a demandé de recommander, sans formation spécifique à une tâche, de tester jusqu'où l'invite seule va.
La rédaction
Louis Rollet et al. "Recommandation de film : de la factorisation matricielle au Neural CF hybride, comparé à un LLM à tir nul." Université Tsinghua, cours d'apprentissage automatique, 2025.
OpenReview submission ↗
Fonctionnalités
- Base de référence pour la factorisation matricielle
- Modèle de filtrage collaboratif neuronal hybride
- Référence Zero-shot LLM
- Modélisation des préférences de film à partir de l'historique des interactions des utilisateurs
Ce que j'ai fait
- Implémentation d'approches de recommandation basées sur des concepts de factorisation matricielle et de filtrage collaboratif.
- Création ou contribution à un pipeline hybride de filtrage collaboratif neuronal pour des recommandations de films personnalisées.
- Comportement du modèle comparé par rapport à une référence de recommandation LLM sans tir.
- Approches comparées du point de vue de la qualité des recommandations et de la complexité de la mise en œuvre.
Chronologie du projet
Projet de cours d'apprentissage automatique comparant la factorisation matricielle, le filtrage collaboratif neuronal hybride et une référence de recommandation LLM sans tir.
déc. 2025Idée
Problème de recommandation défini
Définition de la tâche de recommandation de films à partir de l'historique des interactions de l'utilisateur, tels que les films aimés et visionnés.
déc. 2025Développement
Base de référence pour la factorisation matricielle
Filtrage collaboratif de style factorisation matricielle implémenté ou évalué comme base de référence classique.
déc. 2025Développement
Modèle neuronal hybride CF
Extension de la comparaison des recommandations vers une approche hybride de filtrage collaboratif neuronal.
déc. 2025Impact / Résultat
Référence Zero-shot LLM
Résultats de référence comparés à une référence zéro-shot LLM.
déc. 2025Libération / Livraison
Projet de cours final
Réalisation du projet de recommandation de films pour le cours d'apprentissage automatique.
Développé avec
- Python
- Machine Learning
- Recommendation Systems
- Matrix Factorization
- Neural Collaborative Filtering
- LLM evaluation
- Collaborative filtering