FR3087921A1 - Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade - Google Patents

Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade Download PDF

Info

Publication number
FR3087921A1
FR3087921A1 FR1860077A FR1860077A FR3087921A1 FR 3087921 A1 FR3087921 A1 FR 3087921A1 FR 1860077 A FR1860077 A FR 1860077A FR 1860077 A FR1860077 A FR 1860077A FR 3087921 A1 FR3087921 A1 FR 3087921A1
Authority
FR
France
Prior art keywords
list
recommendations
proposed
machine learning
level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
FR1860077A
Other languages
English (en)
Inventor
Benoit Lardeux
David Renaudie
Rodrigo Alejandro ACUNA AGOST
Eoin Thomas
Mourad Boudia
Papa Birame Sane
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Amadeus SAS
Original Assignee
Amadeus SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Amadeus SAS filed Critical Amadeus SAS
Priority to FR1860077A priority Critical patent/FR3087921A1/fr
Priority to EP19204224.0A priority patent/EP3648041A1/fr
Priority to US16/661,511 priority patent/US11538086B2/en
Publication of FR3087921A1 publication Critical patent/FR3087921A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0253—During e-commerce, i.e. online transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

Un procédé implémenté par ordinateur pour fournir des recommandations personnalisées à un utilisateur d'éléments disponibles dans un système en ligne qui comprend la réception, via un canal de communication, de données de contexte (602) comprenant des informations utilisateur et le calcul d'une pluralité de caractéristiques de premier niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles. Un modèle d'apprentissage automatique de premier niveau (608) est ensuite évalué à l'aide des caractéristiques de premier niveau pour générer des prédictions (610) sur le comportement utilisateur par rapport à une pluralité d'éléments individuels disponibles via le système en ligne. Une liste de recommandations d'éléments proposées est générée sur la base des prédictions produites par le modèle d'apprentissage automatique de premier niveau et une pluralité de caractéristiques de deuxième niveau est calculée, comprenant des caractéristiques contextuelles basées sur les données contextuelles et des caractéristiques de liste basées sur la liste des recommandations d'éléments proposées et les prédictions correspondantes générées par le modèle d'apprentissage automatique de premier niveau. Un modèle d'apprentissage automatique de deuxième niveau (612) est évalué à l'aide des caractéristiques de deuxième niveau afin de générer une prédiction (614) du comportement utilisateur par rapport à la liste des recommandations d'éléments proposées. Une liste personnalisée de recommandations d'éléments est fournie, via le canal de communication, basée sur la prédiction générée par le modèle d'apprentissage automatique de deuxième niveau.

Description

SYSTÈMES ET MÉTHODES DE RECOMMANDATION UTILISANT DES MODÈLES D'APPRENTISSAGE AUTOMATIQUE EN CASCADE
DOMAINE DE L’INVENTION [0001 ] La présente invention porte généralement sur des méthodes et des systèmes techniques pour la fourniture automatisée de recommandations personnalisées de produits et/ou de services. En particulier, les modes de réalisation de l'invention emploient des technologies d'apprentissage automatique pour l’implémentation de systèmes améliorés de recommandation en ligne.
CONTEXTE DE L’INVENTION [0002] Les systèmes de recommandation sont largement déployés dans tes services en ligne, comprenant te commerce électronique, les nouvelles, les informations et les systèmes de divertissement. Un système de recommandation sert à présenter des produits, des services ou d'autres éléments (p. ex. livres, musique, films, émissions de télévision, nouvelles, pages Web, publications, services de voyage, applications logicielles, et/ou autres biens et services de consommation) aux utilisateurs. De nombreux systèmes de recommandation utilisent le filtrage et d'autres méthodes techniques pour identifier les éléments susceptibles d'intéresser l'utilisateur, c'est-à-dire pour faire des recommandations personnalisées.
[0003] Par exemple, un système de recommandation qui fournit des recommandations personnalisées peut comparer un profil d'utilisateur à certaines caractéristiques de référence et s'efforcer de prédire une notation d'utilisateur, un niveau d'intérêt ou une probabilité d'action (comme un clic de lien ou une décision d'achat) pour des biens, services ou autres éléments avec lesquels l'utilisateur n’a pas encore eu d’interaction. Le profil de l'utilisateur peut être généré à partir d’informations fournies explicitement par l'utilisateur (p. ex. l’âge, te sexe, tes centres d’intérêts déclarés, les évaluations et commentaires fournis pour d'autres éléments, le Heu de résidence) et/ou implicitement, sur la base des comportements et actions de l’utilisateur (p. ex. les pages Web visitées, les liens cliqués, les programmes de divertissement consommés, les habitudes d'achat antérieures). Les caractéristiques de référence peuvent être explicitement attribuées en fonction des caractéristiques des biens, des services ou d'autres éléments eux-mêmes (c'est-à-dire une approche fondée sur le contenu) ou peuvent être implicitement dérivées de l'environnement et des caractéristiques des utilisateurs collectivement (c'est-à-dire une approche de filtrage collaboratif’).
[0004] Les systèmes de recommandation présentent généralement à un utilisateur de multiples recommandations personnalisées, par exempte sous la forme d'une liste. Par convention, une telle liste peut être construite en générant des prédictions d'intérêt pour l’utilisateur portant sur tous tes éléments disponibles, et en sélectionnant les éléments tes mieux classés pour une inclusion dans la liste. Cette approche peut être efficace dans la mesure où les utilisateurs avec des profils similaires ont des préférences similaires et sont donc intéressés par des éléments ayant des caractéristiques de référence similaires. Cependant, les informations dont dispose un système de recommandation sont nécessairement incomplètes, et le système est donc sujet à l'incertitude et à un pouvoir prédictif imparfait. Par exempte, le comportement de l’utilisateur peut être influencé par des préférences et des intérêts qui ne sont pas bien saisis par le contenu du profil utilisateur disponible, ou par des aspects d’éléments qui ne sont pas bien saisis par les caractéristiques de référence disponibles. Le simple fait de présenter à un utilisateur une liste d'éléments qui ont été individuellement bien classés par te système de recommandation peut donc ne pas refléter les véritables intérêts ou préférences de l'utilisateur.
[0005] La qualité des recommandations est d'une grande importance. Les recommandations qui ne correspondent pas aux intérêts des utilisateurs peuvent être source d'insatisfaction, ce qui peut nuire à la réputation du fournisseur et amener les utilisateurs à préférer les services d'autres fournisseurs. Plus immédiatement, il est peu probable que des recommandations de mauvaise qualité entraînent les interactions souhaitées de la part des utilisateurs, comme la sélection d'articles supplémentaires et les décisions d'achat. Inversement, des recommandations de haute qualité peuvent se traduire par des niveaux élevés de satisfaction utilisateur, puisque ces derniers reçoivent des suggestions qui correspondent fortement à leurs intérêts et produisent des résultats souhaitables pour le fournisseur, notamment une meilleure réputation, une forte rétention des utilisateurs et des recettes accrues. Des systèmes de recommandation efficaces sont donc mutuellement avantageux pour les utilisateurs comme pour les fournisseurs.
[0006] Dans la pratique, la satisfaction utilisateur à l'égard des recommandations fournies par un système de recommandation ne dépend pas de l'intérêt pour tous tes éléments figurant sur une liste, mais de ta présence d'au moins un élément d'intérêt suffisant pour déclencher une action supplémentaire. Le simple fait de présenter individuellement les éléments les mieux classés en présence d'informations incomplètes et d'incertitude peut donc ne pas produire un résultat souhaitable, car si un élément de ta liste n'intéresse pas l'utilisateur, il pourrait en être de même pour tous les autres éléments, puisqu'ils ont été sélectionnés sensiblement sur la base des mêmes critères.
[0007] L'un des objectifs des modes de réalisation de la présente invention est donc d'apporter une solution technique sous la forme d'un système de recommandation basé sur l'apprentissage automatique qui pallie tes limites des suggestions basées sur des scores et des classements individuels, afin d'accroître la satisfaction globale utilisateur et l’interaction avec les listes de recommandations.
RÉSUMÉ DE L'INVENTION [0008] Dans un aspect, l'invention fournit un procédé implémenté par ordinateur pour fournir des recommandations personnalisées à un utilisateur d'éléments disponibles dans un système en ligne, le procédé comprenant :
la réception, via un canal de communication, de données contextueiles comprenant des informations utilisateur ;
le calcul d'une pluralité de caractéristiques de premier niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles ;
l'évaluation d'un modèle d'apprentissage automatique de premier niveau utilisant les caractéristiques de premier niveau pour générer des prédictions sur te comportement utilisateur par rapport à une pluralité d'éléments individuels disponibles via te système en ligne ;
l'élaboration d'une liste de recommandations d'éléments proposées en fonction des prédictions générées par le modèle d'apprentissage automatique de premier niveau ;
te calcul d'une pluralité de caractéristiques de deuxième niveau comprenant des caractéristiques contextuelles basées sur tes données contextuelles et des caractéristiques de liste basées sur la liste des recommandations d'éléments proposées et tes prédictions correspondantes générées par le modèle d'apprentissage automatique de premier niveau ;
l’évaluation d’un modèle d'apprentissage automatique de deuxième niveau à l'aide des caractéristiques de deuxième niveau afin de générer une prédiction du comportement utilisateur par rapport à la liste des recommandations d'éléments proposées fournir, via te canal de communication, une liste personnalisée de recommandations d'éléments basée sur la prédiction générée par te modèle d'apprentissage automatique de deuxième niveau.
[0009] Avantageusement, tes modes de réalisation de l'invention utilisent donc des modèles d’apprentissage automatique en cascade à deux niveaux, fonctionnant au niveau de l'élément individuel (c'est-à-dire le premier niveau) et au niveau de la liste d'éléments (c'est-à-dire le deuxième niveau), afin de générer des listes de recommandations. Le modèle d'apprentissage automatique de deuxième niveau présente l'avantage d’avoir des caractéristiques supplémentaires qui peuvent être dérivées des résultats du modèle d'apprentissage automatique de premier niveau, ce qui peut permettre d'améliorer les prévisions des comportements des utilisateurs, telles que la sélection d'éléments (p. ex. clic ) et les taux de conversion des listes (p. ex. achat).
[0010] Dans les modes de réalisation de l’invention, les étapes de génération de la liste des recommandations d'éléments proposées, de calcul de la pluralité des caractéristiques de deuxième niveau et d'évaluation du modèle d'apprentissage automatique de deuxième niveau sont répétées de façon itérative, chaque itération comprenant en outre :
avant le calcul de la pluralité des caractéristiques de deuxième niveau, la permutation d’une recommandation d'éléments proposées dans la liste des recommandations d'éléments proposées en fonction des prédictions générées par le modèle d'apprentissage automatique de premier niveau pour générer une liste de test des recommandations d'élément proposées ;
après l’évaluation du modèle d'apprentissage automatique de deuxième niveau pour générer une prédiction du comportement des utilisateurs par rapport à la liste de test des recommandations proposées, la comparaison de la prédiction du comportement utilisateur par rapport à la liste de test des recommandations proposées avec une prédiction calculée sur une itération antérieure ; et dans le cas où la comparaison détermine que la prédiction du comportement utilisateur par rapport à la liste de test des recommandations proposées est plus favorable que la prédiction calculée sur l'itération précédente, le remplacement de la liste des recommandations proposées par la liste des recommandations proposées.
[0011] Avantageusement, cette stratégie de permutation permet d'améliorer ou, idéalement, de maximiser la probabilité globale d'interaction de l'utilisateur avec un ou plusieurs éléments de la liste des recommandations, par rapport à la simple présentation d'une liste de recommandations d'éléments générée par le seul modèle d'apprentissage automatique de premier niveau.
[0012] Selon une stratégie de permutation exhaustive exemplaire, l'étape de permutation d'une recommandation d'éléments proposée dans la liste des recommandations d'éléments proposées comprend la sélection d'une permutation qui génère une liste non testée de recommandations parmi la pluralité d'éléments individuels pour lesquels des prédictions ont été générées par te modèle d'apprentissage automatique de premier niveau, et l'itération continue jusqu'à ce qu'une condition d’arrêt soit remplie. La condition d'arrêt peut être que toutes les listes potentielles de recommandations aient été épuisées.
[0013] Selon une autre stratégie de permutation, l'étape de permutation d'une recommandation d'éléments proposée dans la liste des recommandations d'éléments proposées comprend la sélection d'une permutation qui améliore au moins l'une des caractéristiques de deuxième niveau par rapport à un changement prédit dans la prédiction du comportement utilisateur par rapport à la liste de test des recommandations proposées, et l'itération se poursuit jusqu'à ce qu’une condition d'arrêt soit remplie. La condition d'arrêt peut être que la prédiction du comportement utilisateur par rapport à la liste des recommandations proposées ne doit pas devenir nettement plus favorable du fait d'une itération supplémentaire.
[0014] Dans les modes de réalisation de l'invention, le modèle d'apprentissage automatique de premier niveau est formé à l'aide de caractéristiques associées à chaque élément disponible et de données historiques sur te comportement utilisateur antérieur en réponse à des présentations de recommandations personnalisées. Le modèle d'apprentissage automatique de deuxième niveau peut ensuite être formé en utilisant les données historiques du comportement utilisateur antérieur en réponse à des présentations de recommandations personnalisées et des données de prédiction correspondantes générées par l'évaluation du modèle d'apprentissage automatique de premier niveau.
[0015] Avantageusement, la formation des modèles d’apprentissage automatique en cascade à deux niveaux à l'aide d’une combinaison de caractéristiques d’éléments et de données historiques, y compris te contexte utilisateur dans lequel les comportements antérieurs ont été enregistrés, permet de développer une connaissance plus complète et enrichie des interactions utilisateur avec les recommandations dans te contexte, et de générer ainsi de meilleures prédictions sur te comportement.
[0016] Les caractéristiques de la liste peuvent comprendre une ou plusieurs caractéristiques agrégées de la liste, telles qu’une prédiction moyenne du comportement utilisateur par rapport aux éléments individuels inclus dans la liste des recommandations proposées ; te coût minimal des éléments individuels inclus dans la liste des recommandations proposées ; te nombre d'éléments dans la liste des recommandations proposées ; la valeur moyenne d'une note d’évaluation associée aux éléments individuels dans la liste des recommandations proposées ; la fourchette des coûts des éléments individuels inclus dans la liste des recommandations proposées ; et/ou la fourchette des valeurs d’une note d’évaluation associée aux éléments individuels dans la liste des recommandations d’éléments proposées.
[0017] Dans tes modes de réalisation de l’invention, les prédictions du comportement utilisateur peuvent comprendre une ou plusieurs d’une probabilité que l’utilisateur clique sur un lien correspondant à un élément présenté dans la liste personnalisée de recommandations d'éléments ; et une probabilité que l’utilisateur termine en ligne un achat en ligne d’un élément présenté dans la liste personnalisée des recommandations des éléments.
[0018] Dans un autre aspect, l'invention fournit un système de recommandation pour fournir des recommandations personnalisées à un utilisateur d'éléments disponibles dans un système en ligne, te système comprenant :
un module d’apprentissage automatique à un seul élément implémenté par ordinateur comprenant un modèle d'apprentissage automatique de premier niveau configuré pour recevoir une pluralité de caractéristiques de premier niveau et pour générer une prévision correspondante de comportement utilisateur par rapport à une pluralité d'éléments individuels disponibles via le système en ligne ;
un module d'apprentissage automatique de liste d'éléments implémenté par ordinateur comprenant un modèle d'apprentissage automatique de deuxième niveau configuré pour recevoir une pluralité de caractéristiques de deuxième niveau et pour générer une prédiction correspondante du comportement utilisateur par rapport à une liste de recommandations d'éléments proposées ; et un module de création de listes implémenté par ordinateur, configuré pour :
recevoir des données contextuelles comprenant des informations utilisateur ;
calculer la pluralité des caractéristiques de premier niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles ;
obtenir des prédictions du comportement utilisateur par rapport à une pluralité d'éléments individuels disponibles via le système en ligne à partir du module d'apprentissage automatique à un seul élément basé sur tes caractéristiques de premier niveau ;
générer la liste des recommandations proposées en fonction des prédictions obtenues à partir du module d'apprentissage automatique à un seul élément ;
calculer la pluralité des caractéristiques de deuxième niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles et des caractéristiques de liste basées sur la liste des recommandations d'éléments proposées et les prédictions correspondantes générées par te modèle d’apprentissage automatique de premier niveau obtenir une prédiction du comportement utilisateur par rapport à la liste des recommandations d'éléments proposées à partir du module d'apprentissage automatique de la liste d'éléments basé sur tes caractéristiques de deuxième niveau ; et fournir une liste personnalisée de recommandations d'éléments basée sur la prédiction obtenue à partir du module d'apprentissage automatique de la liste d'éléments.
[0019] Dans un autre aspect, l'invention fournit un système informatique pour fournir des recommandations personnalisées à un utilisateur d'éléments disponibles dans un système en ligne, le système informatique comprenant :
un processeur ;
au moins un dispositif de mémoire accessible par le processeur ; et une interface de communication accessible par te processeur, dans laquelle le dispositif de mémoire contient le corps d'instructions de programme qui, lorsqu'elles sont exécutées par le processeur, amènent le système informatique à mettre en œuvre un procédé comprenant les étapes de : réception, via l'interface de communication, des données contextuelles contenant des informations utilisateur ;
te calcul d'une pluralité de caractéristiques de premier niveau comprenant des caractéristiques contextuelles basées sur tes données contextuelles ;
l'évaluation d'un modèle d'apprentissage automatique de premier niveau à l'aide des fonctions de premier niveau pour générer des prédictions du comportement utilisateur par rapport à une pluralité d'éléments individuels disponibles via le système en ligne ;
l'élaboration d'une liste de recommandations d'éléments proposées en fonction des prédictions générées par te modèle d’apprentissage automatique de premier niveau ;
te calcul d'une pluralité de caractéristiques de deuxième niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles et des caractéristiques de liste basées sur la liste des recommandations d'éléments proposées et les prédictions correspondantes générées par le modèle d'apprentissage automatique de premier niveau ;
l’évaluation d’un modèle d'apprentissage automatique de deuxième niveau à l'aide des caractéristiques de deuxième niveau afin de générer une prédiction du comportement utilisateur par rapport à la liste des recommandations d’éléments proposées ; et la fourniture, via l'interface de communication, d’une liste personnalisée de recommandations d'éléments basée sur la prédiction générée par le modèle d'apprentissage automatique de deuxième niveau.
[0020] Dans un aspect encore autre, l'invention fournit un produit de programme d'ordinateur comprenant un support lisible par ordinateur sur lequel sont stockées des instructions qui, lorsqu'elles sont exécutées par un processeur, implémentent un procédé pour fournir des recommandations personnalisées à un utilisateur d'éléments disponibles dans un système en ligne, le procédé comprenant :
la réception, via un canal de communication, de données contextuelles comprenant des informations utilisateur ;
le calcul d'une pluralité de caractéristiques de premier niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles ;
l'évaluation d'un modèle d'apprentissage automatique de premier niveau utilisant les caractéristiques de premier niveau pour générer des prédictions sur le comportement utilisateur par rapport à une pluralité d'éléments individuels disponibles via le système en ligne ;
la génération d'une liste de recommandations d'éléments proposées en fonction des prédictions générées par le modèle d'apprentissage automatique de premier niveau ;
le calcul d'une pluralité de caractéristiques de deuxième niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles et des caractéristiques de liste basées sur la liste des recommandations d'éléments proposées et les prédictions correspondantes générées par le modèle d'apprentissage automatique de premier niveau ;
l’évaluation d’un modèle d'apprentissage automatique de deuxième niveau à l'aide des caractéristiques de deuxième niveau afin de générer une prédiction du comportement utilisateur par rapport à la liste des recommandations d'éléments proposées fournir, via le canal de communication, une liste personnalisée de recommandations d'éléments basée sur la prédiction générée par le modèle d'apprentissage automatique de deuxième niveau.
[0021 ] D’autres aspects, avantages et caractéristiques des modes de réalisation de l’invention seront apparents dans la description suivante aux hommes de métier spécialisés dans les domaines pertinents. On notera toutefois que l'invention ne se limite pas aux modes de réalisation décrits, qui sont fournis afin d'illustrer les principes de l'invention tels que définis dans les déclarations précédentes, et pour aider les hommes de métier à mettre ces principes en pratique.
BRÈVE DESCRIPTION DES DESSINS [0022] Des modes de réalisation de l’invention seront maintenant décrits par rapport aux dessins accompagnants dans lesquels des numéros référentiels font référence à des caractéristiques similaires, et dans lesquels :
La figure 1 est un schéma bloc illustrant un système exemplaire en réseau comprenant un système de recommandation mettant en œuvre l'invention ;
La figure 2 est un schéma bloc fonctionnel d’un système de recommandation de services de voyage mettant en œuvre l'invention ;
La figure 3 est un organigramme illustrant un algorithme selon lequel un module générateur de listes est programmé dans un mode de réalisation exemplaire de l'invention ;
La figure 4A montre une courbe caractéristique de fonctionnement du récepteur (ROC) pour un modèle exemplaire d'apprentissage automatique à un seul hôtel mettant en œuvre l'invention ;
La figure 4B est un graphique illustrant les caractéristiques d'entrée les plus importantes du modèle exemplaire d'apprentissage automatique à un seul hôtel ;
La figure 5A montre une courbe ROC pour un modèle exemplaire d'apprentissage automatique à liste d'hôtels mettant en œuvre l'invention ;
La figure 5B est un graphique illustrant les principales caractéristiques d'entrée du modèle exemplaire d'apprentissage automatique à liste d’hôtels ; et
La figure 6 est un schéma bloc illustrant un système de recommandation d'apprentissage automatique en cascade en deux étapes mettant en œuvre l'invention.
DESCRIPTION DES MODES DE RÉALISATION PRIVILÉGIÉS [0023] La figure 1 est un graphique bloc illustrant un système 100 en réseau exemplaire comprenant un système de recommandation 102 mettant en œuvre l'invention. En particulier, le système de recommandation 102 comprend un système d'apprentissage automatique configuré pour générer des listes de recommandations personnalisées de biens, de services ou d'autres éléments, conformément à un mode de réalisation de l'invention.
[0024] Le système de recommandation 102 peut comprendre un système informatique ayant une architecture conventionnelle. En particulier, le système de recommandation 102, tel qu’il est illustré, comprend un processeur 104. Le processeur 104 est associé de façon fonctionnelle à un dispositif de stockage/mémoire non volatile 106, p. ex. via un ou plusieurs bus de données/adresses 108 tel qu’illustré. Le stockage non volatile 106 peut être un disque dur et/ou peut inclure une mémoire non volatile à état défini, telle qu’une mémoire morte ROM, une mémoire flash, un disque dur électronique (SSD) ou autre stockage similaire. Le processeur 104 sert aussi d’interface avec le stockage volatile 110, tel que la mémoire à accès aléatoire RAM, qui contient des instructions de programme et des données temporaires relatives au fonctionnement du système de recommandation 102.
[0025] Dans une configuration conventionnelle, le dispositif de stockage 106 maintient un programme connu et un contenu de données pertinent avec le fonctionnement normal du système de recommandation 102. Par exemple, le dispositif de stockage 106 peut contenir des programmes de système d’exploitation et des données ainsi que d’autres logiciels d’application exécutables nécessaires pour les fonctions voulues du système de recommandation 102. Le dispositif de stockage 106 contient aussi des instructions de programme qui, lorsqu’elles sont exécutées par le processeur 104, amènent le système de recommandation 102 à effectuer des opérations relatives à un mode de réalisation de la présente invention, lesquelles sont décrites de façon plus détaillée ci-dessous, en référence aux figures 2 et 6 en particulier. Dans le fonctionnement, les instructions et les données contenues sur le dispositif de stockage 106 sont transférées à la mémoire volatile 110 pour une exécution à la demande.
[0026] Le processeur 104 est aussi associé de façon fonctionnelle à une interface de communications 112 d’une manière conventionnelle. L’interface de communications 112 facilite l’accès à un réseau étendu de communications de données, tel que l’Internet 116.
[0027] Dans la pratique, le stockage volatile 110 contient un corps d’instructions de programme correspondant 114 transféré à partir du dispositif de stockage 106 et qui est configuré pour effectuer le traitement et d’autres opérations mettant en œuvre les caractéristiques de la présente invention. Les instructions du programme 114 comprennent une contribution technique à l’art développé et configuré spécifiquement pour mettre en œuvre un mode de réalisation de l'invention, en plus d’une activité bien comprise, routinière et conventionnelle dans le domaine des systèmes d'apprentissage automatique, comme décrit plus en détail ci-dessous, en particulier en référence aux figures 2 à 6.
[0028] Concernant l'aperçu précédent du système de recommandation 102 et d'autres systèmes de traitement et dispositifs décrits dans cette spécification, les termes tels que « processeur », « ordinateur » et ainsi de suite, sauf si le contexte l’exige autrement, doivent être interprétés comme faisant référence à une gamme d’implémentations possibles des dispositifs, appareils et systèmes comprenant une combinaison de logiciels et de matériel. Cela inclut des dispositifs à processeur unique et à processeurs multiples et un appareil, incluant des dispositifs portables, des ordinateurs de bureau et divers types de systèmes de serveur, incluant du matériel collaboratif et des plateformes logicielles qui peuvent cohabiter ou être distribuées. Les processeurs physiques peuvent inclure des unités centrales de traitement (CPU), à usage général, des processeurs de signaux numériques, des unités de traitement graphique (GPU), des matrices de portes programmables sur site (FPGA), des circuits intégrés destinés à des applications spécifiques (ASIC) et/ou d’autres dispositifs matériels appropriés pour une exécution efficace des programmes et des algorithmes nécessaires. Comme le reconnaîtront les hommes de métier, les unités de traitement graphique GPU peuvent en particulier être utilisées pour la mise en œuvre performante de modèles d'apprentissage automatique comprenant divers modes de réalisation de l'invention, sous le contrôle d'une ou plusieurs unités centrales à usage général (CPU).
[0029] Les systèmes informatiques peuvent inclure des architectures conventionnelles d’ordinateur personnel ou d’autres plateformes matérielles à usage général. Les logiciels peuvent inclure des logiciels de sources libres et/ou des logiciels de systèmes d’exploitation vendus sur le marché en combinaison avec diverses applications et programmes de services. Autrement, les plateformes de traitement ou de calcul peuvent comprendre du matériel et/ou des architectures de logiciel adaptés sur mesure. Pour une extensibilité améliorée, les systèmes de traitement et de calcul peuvent comprendre des plateformes informatiques en nuage (cloud) permettant aux ressources matérielles physiques d’être attribuées de façon dynamique en réponse aux demandes de services. Alors que toutes ces variations sont comprises dans la portée de la présente invention, pour faciliter l’explication et la compréhension, les modes de réalisation exemplaires décrits dans les présentes sont basés sur des plateformes informatiques à usage général et un processeur unique, des plateformes de système d’exploitation couramment disponibles et/ou des produits de consommation largement disponibles, tels que des ordinateurs de bureau (PC), des ordinateurs compacts ou ordinateurs portables (PC), des smartphones, des tablettes informatiques, etc.
[0030] En particulier, les termes « unité de traitement » et « module » sont utilisés dans cette spécification en référence à toute combinaison appropriée de matériel et de logiciels configurés pour effectuer une tâche particulière définie, telle que l’accès et le traitement des données en ligne ou hors connexion, l’exécution des étapes de formation d’un modèle d’apprentissage automatique ou l’exécution des étapes de prédiction d’un modèle d’apprentissage automatique. Une telle unité de traitement ou un tel module peut comprendre un module de code exécutable qui s’exécute à un emplacement unique sur un dispositif de traitement unique, ou qui peut comprendre des modules collaboratifs de code exécutable qui s’exécutent à de multiples emplacements et/ou sur de multiples dispositifs de traitement. Par exemple, dans certains modes de réalisation de l’invention, la génération de listes de recommandations personnalisées peut être effectuée entièrement par un code qui s’exécute sur un système d'évaluation unique, tel que le système de recommandation 102 alors que pour d’autres modes de réalisation te traitement correspondant peut être exécuté en étant distribué sur une pluralité de systèmes.
[0031] Les composants logiciels, p. ex. les instructions de programme 114, pour mettre en œuvre tes caractéristiques de l'invention peuvent être développés en utilisant tout langage de programmation approprié, environnement de développement ou combinaisons de langage et d’environnement de développement qui seront familiers aux hommes de métier spécialisés dans l’ingénierie logicielle. Par exemple, des logiciels appropriés peuvent être développés en utilisant le langage de programmation C, le langage de programmation Java, le langage de programmation C++, le langage de programmation Go, le langage de programmation Python, te langage de programmation R et/ou d'autres langages appropriés pour la mise en œuvre d'algorithmes d'apprentissage automatique. Le développement de modules logiciels mettant en œuvre l'invention peut être soutenu par l'utilisation de bibliothèques de codes d'apprentissage automatique telles que les bibliothèques TensorFlow, Torch et Keras. Toutefois, les hommes de métier apprécieront le fait que tes modes de réalisation de l'invention impliquent l’implémentation de structures logicielles et de codes qui ne sont pas bien compris, courants ou conventionnels dans le domaine des systèmes d’apprentissage automatique, et que si les bibliothèques préexistantes peuvent aider à l’implémentation, elles nécessitent une configuration spécifique et une augmentation considérable (c’està-dire un développement de codes supplémentaires) afin d’implémenter les structures spécifiques, traitements, calculs et algorithmes décrits ci-dessous, particulièrement en rapport avec tes figures 2 à 6.
[0032] Les exemptes qui précèdent de langages, d’environnements et de bibliothèques de codes ne se veulent pas restrictifs et on notera que tous les langages, les bibliothèques et les systèmes de développement concernés peuvent être employés conformément aux exigences des systèmes. Les descriptions, schémas bloc, organigrammes et autres qui sont présentés dans cette spécification sont fournis à titre d’exemple pour permettre aux hommes de métier, spécialisés dans l’ingénierie logicielle et l’apprentissage automatique, de comprendre et d'apprécier les caractéristiques, la nature et la portée de l’invention, et pour mettre un ou plusieurs modes de réalisation de l’invention en pratique par l’implémentation d’un code logiciel adapté utilisant tous les langages, contextes, bibliothèques et systèmes de développement adaptés conformément à cette divulgation sans avoir à y apporter une ingéniosité inventive additionnelle.
[0033] Le code de programme mis en œuvre dans l'une ou l'autre des applications/modules décrits dans le présent document peut être distribué individuellement ou collectivement en tant que produit de programme sous une variétés de formes différentes. En particulier, le code de programme peut être distribué à l'aide d'un support de stockage lisible par ordinateur sur lequel se trouvent des instructions de programme lisibles par ordinateur pour amener un processeur à exécuter certains aspects des modes de réalisation de l'invention.
[0034] Les supports de stockage lisibles par ordinateur peuvent comprendre des supports tangibles volatiles et non volatiles, et amovibles et non amovibles, mis en œuvre dans tout procédé ou technologie pour stocker de l'information, comme les instructions lisibles par ordinateur, les structures de données, les modules de programme, ou autres données. Les supports de stockage lisibles par ordinateur peuvent en outre comprendre la mémoire vive (RAM), la mémoire morte (ROM), la mémoire morte programmable effaçable (EPROM), la mémoire morte programmable effaçable électriquement (EEPROM), la mémoire flash ou toute autre technologie de mémoire morte à semi-conducteurs, la mémoire morte sur disque compact portable (CD-ROM) ou tout autre support de stockage optique, cassettes magnétiques, bande magnétique, mémoire à disques magnétiques ou autre dispositif de stockage magnétique, ou tout autre support qui peut être utilisé pour stocker les informations souhaitées et qui peut être lu par un ordinateur. Alors qu'un support de stockage lisible par ordinateur ne peut pas comprendre de signaux transitoires en soi (p. ex. des ondes radio ou d'autres ondes électromagnétiques se propageant, des ondes électromagnétiques se propageant à travers un support de transmission tel qu'un guide d’ondes ou des signaux électriques transmis par un fil), des instructions de programme lisibles par ordinateur peuvent être téléchargées sur un ordinateur, un autre type de dispositif de traitement programmable des données ou un autre dispositif depuis un support de stockage lisible par ordinateur ou sur un ordinateur externe ou un périphérique externe par un réseau.
[0035] Les instructions de programme lisibles par ordinateur stockées sur un support lisible par ordinateur peuvent être utilisées pour diriger un ordinateur, d'autres types d'appareils de traitement de données programmables ou d'autres dispositifs pour fonctionner d'une manière particulière, de sorte que les instructions stockées sur le support lisible par ordinateur produisent un article manufacturé comprenant des instructions qui implémentent les fonctions, actes et/ou opérations spécifiés dans les organigrammes, les schémas de séquence et/ou les schémas blocs. Les instructions du programme d'ordinateur peuvent être fournies à un ou plusieurs processeurs d'un ordinateur à usage général, d'un ordinateur à usage spécifique ou d'un autre appareil programmable de traitement de données pour produire une machine, de sorte que les instructions, qui s'exécutent par l'intermédiaire du ou de plusieurs processeurs, entraînent une série de calculs devant être exécutés pour implémenter les fonctions, actes et/ou opérations spécifiés dans les organigrammes, les schémas de séquence et/ou les schémas blocs.
[0036] Poursuivant la discussion de la figure 1, le système en réseau 100 comprend également un système de fournisseur de services 118. En guise d'exemple concret pour illustrer les principes de l'invention, le prestataire de services 118 peut être un système de ventes de services de voyage en ligne ou de commerce électronique. Comme on le sait, un utilisateur peut utiliser un navigateur Web ou un autre logiciel d'application pour accéder au système de services de voyage 118 par l’Internet 116 depuis son propre ordinateur personnel 120, ou depuis un autre dispositif approprié. Une interaction de l’utilisateur avec le système 118 peut typiquement impliquer un certain nombre d’événements séquentiels ou d'actions, tels que la connexion, la recherche et/ou la navigation pour les services (tels que les vols, l'hébergement, etc.), la sélection et la révision des services, l'ajout de services à un panier électronique et l'exécution du processus de paiement (p. ex. fournir les détails du paiement et confirmer un achat). À un ou plusieurs moments d'une telle interaction, il peut être souhaitable de fournir à l'utilisateur des recommandations personnalisées de produits ou de services supplémentaires qui peuvent l'intéresser. Par exemple, une fois qu'un utilisateur a choisi un service de voyage, comme des vols vers une destination particulière, il peut être souhaitable de présenter une liste de recommandations personnalisées pour l'hébergement, Ses véhicules de location, les restaurants et/ou d’autres produits et services de voyage associés à cette destination.
[0037] On notera toutefois que les modes de réalisation de l'invention ne se limitent pas à fournir des recommandations concernant les services liés aux voyages, mais peuvent s'appliquer à une gamme de services en ligne pour lesquels des recommandations personnalisées peuvent être demandées. Ces services comprennent d'autres services de commerce électronique (p. ex. les détaillants en ligne de biens de consommation), les services de divertissement (p. ex. le streaming vidéo et/ou audio), les services d'information (p. ex. les informations), etc. Comme il ressort de la divulgation suivante sur les services de voyage en ligne, les modes de réalisation de l'invention peuvent être utilisés dans un large éventail d'applications à partir desquelles des recommandations peuvent dériver, et des modèles d'apprentissage automatique pertinents formés, en fonction des profils utilisateur et/ou des interactions avec des éléments individuels recommandés, et des interactions utilisateur avec des listes d'éléments recommandés.
[0038] La figure 2 est un schéma bloc fonctionnel 200 d'un système de recommandation de services de voyage mettant en œuvre l’invention. En particulier, un module de système de recommandations 202 est configuré pour fournir des recommandations d'hôtels aux voyageurs qui ont effectué des réservations de vol via l'intermédiaire d'un fournisseur de services de voyage en ligne. Le module de système de recommandations d'hôtels 202 comprend un module générateur de listes 204, un module d’apprentissage automatique à un seul hôtel 206 et un module d’apprentissage automatique à liste d'hôtels 208. Ces modules communiquent avec le système de services de voyage en ligne 118, une base de données de caractéristiques d’hôtels 210, une base de données du moteur du registre de recommandations 212, et un système d'information et de réservation d'hôtels 214.
[0039] La base de données des caractéristiques de l'hôtel 210 contient les enregistrements des hôtels disponibles pour recommandation, y compris les caractéristiques des hôtels qui peuvent être utilisées par les modules d'apprentissage automatique 206, 208 pour calculer les prévisions de l'intérêt utilisateur pour tes recommandations d'hôtels et/ou leur interaction avec celles-ci. Ces caractéristiques peuvent inclure l’enseigne de l’hôtel, les évaluations (p. ex. tes étoiles et/ou les évaluations des utilisateurs et les avis issus des sites d'évaluation), l'emplacement de l'hôtel, tes installations de l'hôtel, etc. La base de données du registre de recommandations 212 contient tes enregistrements des recommandations et des résultats antérieurs, y compris les listes de recommandations déjà présentées, tes prix, l'identification des recommandations qui ont été sélectionnées et évaluées par un utilisateur, et tes enregistrements des conversions (c.-à-d. tes achats réels effectués en réponse aux recommandations). Les caractéristiques de l'hôtel et tes détails du registre des recommandations sont tous mis à disposition, individuellement ou en combinaison, pour la formation et l'évaluation des modules d'apprentissage automatique 206, 208. Des exemptes spécifiques de ces caractéristiques utilisées dans un mode de réalisation exemplaire sont abordés plus en détail cidessous, en référence aux figures 4 et 5.
[0040] Le système de réservation d'hôtels est accessible via te module de création de listes 204 afin d'obtenir des détails sur la disponibilité et la tarification des hôtels pour les lieux et tes dates correspondant aux besoins des voyageurs.
[0041] Plus particulièrement, tes informations relatives aux voyageurs et aux voyages sont reçues du système de services de voyage en ligne 118 en réponse aux réservations de voyages effectuées par les utilisateurs via les dispositifs 120. Une fois qu’une réservation 216 a été confirmée auprès du système de services de voyage 118, un dossier passager (PNR) est créé dans une base de données de réservation qui comprend les renseignements personnels du passagers (c.-àd. l’utilisateur final) et les détails de l'itinéraire. Une partie ou la totalité des informations contenues dans te PNR peuvent être mises à la disposition du module de création de listes et peuvent être utilisées, individuellement ou en combinaison, comme caractéristiques pour la formation et l’évaluation des modules d'apprentissage automatique 206, 208. Là encore, des exemples spécifiques de ces caractéristiques utilisées dans un mode de réalisation exemplaire sont abordés plus en détail ci-dessous, en se référant aux figures 4 et 5.
[0042] Une fois la réservation effectuée, te système de services de voyage 118 peut être configuré pour présenter à l'utilisateur final, via le dispositif 120, une liste de recommandations d'hôtels correspondant à l'itinéraire de voyage de l'utilisateur. Pour ce faire, les informations relatives à la réservation, y compris les informations provenant du PNR, sont transmises 218 au module du système de recommandations 202, où elles sont saisies dans le module du générateur de listes 204. Un algorithme exemplaire selon lequel le module générateur de listes 204 peut être programmé est décrit plus en détail ci-dessous en référence à l'organigramme 300 de la figure 3. Toutefois, le module 204 du générateur de listes est configuré pour générer un ensemble de caractéristiques relatives aux passagers et à l’itinéraire à partir des informations reçues du système 118 des services de voyage et pour fournir ces caractéristiques comme entrée 220 au module d'apprentissage automatique à un seul hôtel 206. Le module d'apprentissage automatique à un seul hôtel 206 comprend un modèle d'apprentissage automatique formé (dont un mode de réalisation exemplaire est présenté plus loin en référence à la figure 4) qui est évalué pour générer une liste de recommandations d'hôtels potentiels, chacun ayant un taux de conversion prédit associé. Le taux de conversion prédit pour chaque hôtel peut être considéré comme une probabilité, selon le modèle d'apprentissage automatique après une formation sur tes données historiques appropriées, que l'utilisateur réserve l'hôtel lorsque celui-ci est présenté en tant que recommandation individuelle. La liste des hôtels et les taux de conversion prédits sont renvoyés 222 par le module d'apprentissage automatique à un seul hôtel 206 au module de création de liste 204.
[0043] Le module de création de listes 204 est configuré pour générer une ou plusieurs listes de recommandations prospectives sur la base de la liste retournée par le module d'apprentissage automatique à un seul hôtel 206. Pour chacune de ces listes, te module de création de listes 204 est en outre configuré pour générer un ensemble de caractéristiques ayant trait aux passagers, à l'itinéraire et à la liste en fonction des informations reçues du système de services de voyage 118 et de la liste renvoyée par le module d'apprentissage automatique à un seul hôtel, et pour fournir ces caractéristiques comme entrée 224 au module d'apprentissage automatique de listes d'hôtels 208. Le module d'apprentissage automatique de la liste d'hôtels 208 comprend un modèle d'apprentissage automatique formé (dont un mode de réalisation exemplaire est présenté plus loin en référence à la figure 5) qui est évalué pour générer un taux de conversion prévisible pour la liste de recommandations prospective. Le taux de conversion prédit pour la liste peut être considéré comme une probabilité, selon le modèle d'apprentissage automatique après une formation sur les données historiques appropriées, que l'utilisateur réserve l'un des hôtels recommandés lorsqu'il reçoit la liste. Le taux de conversion prédit est renvoyé 226 par le module d'apprentissage automatique de la liste d’hôtels 208 au module générateur de listes 204.
[0044] En conséquence, les modes de réalisation de l'invention utilisent des modèles d'apprentissage automatique en cascade, opérant au niveau de l'hôtel individuel et au niveau de la liste d'éléments afin de générer des listes de recommandations. Le modèle d'apprentissage automatique de la liste d’hôtels présente l'avantage d’avoir des caractéristiques supplémentaires qui peuvent être dérivées des résultats du modèle d'apprentissage automatique à un seul hôtel, ce qui peut permettre d'améliorer les prédictions des taux de conversion des listes. Une liste ayant un taux de conversion maximal prévisible peut donc être renvoyée 228 au système de services de voyage 118 pour présentation 230 à l'utilisateur final via le dispositif 120. En outre, un enregistrement de cette liste, du contexte et de toute interaction ultérieure avec la liste peut être stocké 232 dans la base de données du registre des recommandations 212 pour une utilisation future, p. ex. pour la formation des modules d'apprentissage automatique 206, 208.
[0045] Étant donné qu'une probabilité plus élevée de conversion correspond à une probabilité plus élevée de l’intérêt de l'utilisateur pour un ou plusieurs des hôtels inclus dans la liste des recommandations, les modes de réalisation de l'invention sont ainsi en mesure d'apporter des améliorations aux recommandations qui sont mutuellement bénéfiques pour le fournisseur de services de voyage et l'utilisateur final. Des taux de conversion plus élevés se traduisent par des revenus plus élevés pour te fournisseur de services de voyage, tandis que des recommandations plus pertinentes et plus intéressantes se traduisent par des niveaux plus élevés de satisfaction des utilisateurs.
[0046] La figure 3 est un organigramme 300 illustrant un algorithme selon lequel le module générateur de listes 204 est programmé dans un mode de réalisation exemplaire de l'invention. La discussion qui suit vise à fournir l'instruction nécessaire pour qu’un homme de métier dans te domaine du développement de logiciels implémente les structures de données et le code requis pour mettre en œuvre le mode de réalisation exemplaire de l'invention. L'algorithme représenté par l'organigramme 300 est une contribution de l'invention qui nécessite cette programmation supplémentaire et qui n'est pas bien comprise, courante ou conventionnelle dans le domaine des systèmes d'apprentissage automatique.
[0047] À l'étape 302, une demande de liste de recommandations est reçue, qui comprend des informations contextuelles pertinentes, c'est-à-dire des informations personnelles sur les passagers et les détails de l'itinéraire obtenus auprès d'un PNR correspondant. À l'étape 304, une liste d'hôtels filtrée est générée, en récupérant les informations concernant la disponibilité et tes tarifs des hôtels correspondant à l’itinéraire des passagers (c'est-à-dire les hôtels de la ou plusieurs destinations du passager, ou à proximité) du système d'information et de réservation des hôtels 214. À l'étape 306, un ensemble de caractéristiques relatives au passager, à l'itinéraire et à l'hôtel est dérivé des informations contextuelles reçues à l'étape 302 et des informations de disponibilité/prix obtenues à l'étape 304, et fournies en entrée au module d’apprentissage automatique à un seul hôtel 206, qui renvoie une liste correspondante des hôtels et des taux de conversion prédits pour chaque hôtel. Une liste de référence ordonnée initiale, Lrefs, est ensuite générée qui comprend un sous-ensemble à taille fixe des hôtels disponibles dans la liste, correspondant au nombre de recommandations à renvoyer au système de services de voyage 118. Par exemple, si l’utilisateur doit se voir présenter une liste finale de cinq hôtels recommandés, la longueur de la liste de référence Lref, sera de cinq.
[0048] À l'étape 308, un ensemble de caractéristiques relatives aux passagers, à l’itinéraire et à la liste est dérivé des informations contextuelles reçues à l'étape 302 en combinaison avec le contenu de la liste de référence Lref, et fourni comme entrée au module 208 d’apprentissage automatique de listes d’hôtels, qui renvoie un taux de conversion prédit correspondant des listes d'hôtels. L'objectif des étapes restantes de l’algorithme 300 est de déterminer si le taux de conversion prédit de la liste d'hôtels peut être augmenté par une sélection alternative d'hôtels à inclure dans la liste de référence Lref. Plus particulièrement, l'objectif est de maximiser le taux de conversion prédit des listes d'hôtels (sous réserve de la disponibilité et des contraintes informatiques).
[0049] Plus particulièrement, conformément à l'algorithme exemplaire, à l'étape 310, l’un des hôtels de la liste de référence Lref est sélectionné et remplacé par un autre hôtel à partir de la version filtrée de la liste complète renvoyée par le module d'apprentissage automatique à un seul hôtel 206 pour produire une nouvelle liste de test Ltest. Différentes stratégies peuvent être employées dans l'opération de permutation effectuée à l'étape 310. Selon une stratégie, que l'on peut qualifier d'approche « exhaustive », la permutation est effectuée de manière à produire une liste Ltest, qui n'a pas encore été testée. Le processus peut se poursuivre (comme décrit ci-dessous) jusqu’à ce que toutes les permutations possibles aient été tentées, ou jusqu'à ce qu'aucune autre amélioration substantielle du taux de conversion prédit de la liste ne soit observée.
[0050] Selon une autre stratégie, une approche plus « intelligente » de la sélection des permutations peut être utilisée. Dans cette stratégie, chaque permutation peut être sélectionnés afin d’améliorer une ou plusieurs caractéristiques de la liste d'hôtels. La sélection peut être basée sur des informations supplémentaires disponibles dans le module d'apprentissage automatique de la liste d’hôtels. Par exemple, de nombreux modèles d'apprentissage automatique permettent d'évaluer l'effet des changements des caractéristiques d’entrée sur les prévisions de sortie, en fonction de la structure du modèle, des gradients calculés et/ou simplement en évaluant le modèle à l'aide d'entrées perturbées. Par conséquent, les permutations peuvent être choisies en fonction des variations des caractéristiques qui devraient avoir un impact plus important sur tes taux de conversion prédits des listes d’hôtels. À titre d'exemple concret, si le module 208 d'apprentissage automatique des listes d'hôtels indique qu'un prix minimum d'hôtel inférieur augmenterait le taux de conversion prédit, des permutations peuvent être sélectionnées pour générer de nouvelles listes d'hôtels Ltest qui incluent un prix minimum d'hôtel inférieur par rapport à la liste de référence Lref.
[0051] Quelle que soit la stratégie employée, après la sélection d'une permutation, à l'étape 312, un ensemble de passagers, d'itinéraire et des caractéristiques de listes est dérivé des informations de contexte reçues à l'étape 302 en combinaison avec le contenu de la liste de test Ltest, et fourni comme entrée au module d'apprentissage automatique des listes d'hôtels 208, qui renvoie un taux de conversion supplémentaire prédit correspondant. Cette prédiction est comparée au taux de conversion prédit de la liste de référence en cours Lret. Si le taux de conversion prédit de la liste Ltest est supérieur au taux de conversion prédit de la liste de référence actuelle Lær, la liste de référence est remplacée par la liste de test à l'étape 316.
[0052] L'algorithme détermine ensuite, à l'étape de décision 318, si d'autres permutations doivent être tentées et, le cas échéant, le contrôle revient à l'étape 310 pour sélectionner la permutation suivante. Comme indiqué plus haut, différents critères d'arrêt peuvent être utilisés pour la décision 318, à savoir par exemple si toutes les permutations disponibles ont été testées et/ou si te taux de conversion prédit de la liste a cessé d'être sensiblement amélioré, ce qui peut indiquer qu'il est peu probable que te test de nouvelles permutations entraîne de nouvelles améliorations significatives des recommandations.
[0053] Différents modèles d'apprentissage automatique peuvent être utilisés dans tes modules d'apprentissage automatique à un seul hôtel et à liste d'hôtels 206, 208. Les modèles appropriés peuvent inclure des modèles de régression, des modèles bayésiens, des modèles de filtrage collaboratif, des réseaux neuronaux artificiels, des arbres de décision, des machines d'amplification des gradients, des modèles d'ensemble, etc. Le module d'apprentissage automatique à un seul hôtel 206 et le module d'apprentissage automatique à liste d'hôtels 208 peuvent utiliser des modèles similaires ou différents. Les modèles les plus appropriés et les plus efficaces peuvent dépendre de l'application spécifique du système de recommandations, des données disponibles et des caractéristiques caractérisant les biens, services ou autres éléments à recommander, ainsi que les données disponibles du profil utilisateur. Les techniques et les processus de sélection, de développement, de formation, de validation, de test et d'optimisation de modèles d'apprentissage automatique appropriés sont connues des hommes de métier dans le domaine de l'apprentissage automatique. À titre d'exemple, une implémentation des modules d’apprentissage automatique à un seul hôtel et à liste d'hôtels 206, 208 sera maintenant décrite, dans laquelle les deux modules comprennent des modèles aléatoires de forêts d'apprentissage automatique.
[0054] Dans le mode de réalisation exemplaire, la formation des modèles d’apprentissage automatique s'effectue à partir des données tirées d'une année d'activité de l’utilisateur. Les données disponibles pour la formation, la validation et le test des modèles comprennent les caractéristiques de l'hôtel stockées dans la base de données des caractéristiques de l'hôtel 210, ainsi que les registres du comportement réel des utilisateurs - y compris les conversions pour les hôtels uniques et la tarification, et les détails des listes correspondantes à partir desquelles les hôtels uniques ont été sélectionnés - stockés dans la base de données du registre des recommandations 212.
[0055] Pour le module d'apprentissage automatique à un seul hôtel 206, un modèle aléatoire de forêt a été formé avec une taille de forêt, ntrees = 100, et une profondeur maximale illimitée. La courbe caractéristique de fonctionnement du récepteur (ROC) 400 qui en résulte est illustrée à la figure 4A, dans laquelle l'axe horizontal 402 montre le taux de faux positif (FP) et l'axe vertical 404 montre le taux de vrai positif (TP). La courbe ROC 406 trace ces propriétés du modèle en tant que fonction du seuil de décision. Une bonne performance a été obtenue à la suite de la formation de ce modèle, avec une erreur de prédiction de 6,55 % sur l'échantillon de formation pour un seuil de décision optimal, et une AUC globale (c'est-à-dire une aire sous la courbe ROC) de 0,91.
[0056] La figure 4B est un graphique 408 qui illustre les caractéristiques d'entrée les plus significatives du modèle aléatoire de forêt au niveau d'un seul hôtel. L'axe horizontal 410 montre la « diminution moyenne de Gini », qui est une mesure de la variation de la « pureté » d'un élément à la suite des divisions dans les arbres de forêt décisionnels. Les caractéristiques qui présentent une plus grande diminution de Gini ont une plus grande influence sur la décision finale, et peuvent donc être considérées comme plus importantes. La diminution moyenne de Gini est donc une mesure utile à observer pendant la sélection des caractéristiques et l'ingénierie. L'axe vertical 412 est une liste des caractéristiques d'entrée du modèle. Les caractéristiques les plus importantes du modèle d'apprentissage automatique à un seul hôtel sont le marché des points de vente 414, le prix de l'hôtel 416 et l'emplacement de l'hôtel (ville et pays) 418. Les autres caractéristiques utilisées pour la formation et l'évaluation du modèle d'apprentissage automatique à un seul hôtel incluent : le code pays de l'hôtel (désigné dans le graphique 408 par code__pays) ; la position à l'écran de la recommandation (id_reco) ; te fournisseur (code_fournisseuij ; la devise du paiement (devise) ; tes évaluations provenant de différentes sources (autoévaiuation ; évaluationjocale) ; le nom de la chaîne hôtelière (chaîne) et une source de renseignements supplémentaires sur le profil du passager (sourceJnfo).
[0057] Pour te module d'apprentissage automatique de la liste d'hôtels 208, un autre modèle aléatoire de forêt a été formé, avec une taille de forêt, Hrrees = 100, et une profondeur maximale illimitée. La courbe ROC 500 qui en résulte est illustrée à la figure 5A, dans laquelle l'axe horizontal 502 indique la vitesse FP et l'axe vertical 504 indique la vitesse TP. La courbe ROC 506 trace ces propriétés du modèle en fonction du seuil de décision. Une bonne performance a été obtenue à la suite de la formation de ce modèle, avec une AUC globale de 0,85.
[0058] La figure 5B est un graphique 508 qui illustre les éléments d'entrée les plus significatifs du modèle de forêt aléatoire au niveau de la liste d’hôtels. L’axe horizontal 510 illustre la diminution moyenne en Gini pour chacune des caractéristiques d’entrée listées sur l'axe vertical 512. Notamment, tes deux principales caractéristiques de cette mesure sont issues des prédictions à un seul hôtel, à savoir la probabilité moyenne qu’un utilisateur clique sur un hôtel dans une liste 514, et le tarif hôtelier minimum présenté à l'utilisateur 516. Les deux caractéristiques suivantes sont des caractéristiques qui sont également disponibles en entrées dans te modèle à un seul hôtel, à savoir le point de vente 518 et l'emplacement de l'hôtel 520. Les autres caractéristiques utilisées pour la formation et l'évaluation du modèle d'apprentissage automatique de la liste d'hôtels comprennent le code pays de l’emplacement de l'hôtel (désigné dans le graphique 508 par code_pays) ; le nombre d'hôtels dans la liste de recommandations (nb_occurrences) ; la devise de paiement (devise) ; la note moyenne de tous les hôtels dans la liste (catégorie_évaluation_moy.) ; la fourchette tarifaire dans la liste (catégorie_disp__prix) ; la fourchette des évaluations dans la liste (catégorie_disp_évaluation) et la source d’informations supplémentaires enrichies sur le profil passager (sourcejnfd).
[0059] Comme cela a été abordé dans la discussion ci-dessus, la mise en cascade des prédictions du modèle d'apprentissage automatique à un seul hôtel dans les caractéristiques d'entrée du modèle d'apprentissage automatique à liste d'hôtels est un aspect particulièrement avantageux de la mise en œuvre de l'invention. La figure 6 est un schéma fonctionnel 600 qui illustre comment cette contribution se généralise à d'autres types de systèmes de recommandations. Les entrées globales du système 600 comprennent les informations contextuelles 602, y compris les données du profil utilisateur, les informations sur les caractéristiques 604 correspondant aux biens, services ou autres éléments à recommander, et les données historiques 606 comprenant les registres des recommandations passées et les actions correspondantes des utilisateurs (p. ex. les clics, tes sélections, tes achats, etc.) Les données historiques 606 et les informations sur les caractéristiques 604 peuvent être utilisées pour la formation, la validation et te test des modèles d’apprentissage automatique, tandis que les informations contextuelles 602 et tes informations sur les caractéristiques 604 peuvent être utilisées pour l'évaluation et la prédiction en utilisant tes modèles d’apprentissage automatique formés.
[0060] Le système 600 comprend un modèle d'apprentissage automatique de premier niveau, le modèle 608, qui est formé pour générer des prévisions sur le comportement des utilisateurs (p. ex. les clics, les sélections, les achats, etc.) par rapport aux biens, services ou autres éléments individuels. Le modèle de premier niveau 608 utilise les entrées d'informations 604 et de données historiques 606 pour la formation, et les entrées d'informations contextuelles 602 et d'informations 604 pour la prédiction, et produit une sortie prédictive 610.
[0061] Le système 600 comprend en outre un modèle d'apprentissage automatique de deuxième niveau, te modèle 612, qui est formé pour générer des prévisions sur le comportement utilisateur (p. ex. les clics, les sélections, les achats) par rapport aux listes de recommandations de biens, services ou autres éléments. Le modèle de deuxième niveau 612 utilise les entrées d'informations sur les caractéristiques 604 et les données historiques 606 pour la formation, et les entrées d’informations contextuelles 602 et d'informations sur les caractéristiques 604 pour la prédiction. De plus, le modèle d'apprentissage automatique de deuxième niveau utilise les sorties de prédiction en cascade 610 du modèle de premier niveau 608 pour la formation et la prédiction. La sortie globale 614 du système 600 est une prédiction du comportement utilisateur par rapport à une liste comprenant des biens, des services ou d'autres éléments pour lesquels des prédictions individuelles ont été obtenues en utilisant le modèle de premier niveau 608. Le système 600 peut donc être utilisé conjointement avec un algorithme de génération de listes, tel que l'algorithme exemplaire décrit cidessus en référence à la figure 3, pour générer des listes de recommandations ayant une probabilité accrue d'interaction avec l'utilisateur par rapport aux listes générées en utilisant un module de prédiction seul, à élément unique.
[0062] On notera que bien que des modes de réalisation particuliers et des variations de l’invention aient été décrits dans les présentes, les hommes de métier spécialisés dans les domaines concernés distingueront d’autres modifications et alternatives. En particulier, les exemples sont présentés à titre illustratifs pour révéler les principes de l’invention et pour apporter un nombre de procédés et d'arrangements spécifiques pour mettre en œuvre ces principes. En général, les modes de réalisation de l'invention comprennent un système de recommandations d'apprentissage automatique en cascade à deux étapes, dans lequel deux modules d'apprentissage automatique sont déployés pour générer une liste de recommandations. Les résultats du modèle d'apprentissage automatique de premier niveau sont utilisés pour prédire le comportement interactif pertinent de l'utilisateur (p. ex. la probabilité de conversion) au niveau d’un seul élément. La sortie de premier niveau est ensuite utilisée comme entrée pour le modèle d’apprentissage automatique de deuxième niveau, qui à son tour calcule une prédiction des interactions de la part de l’utilisateur par rapport à une liste ordonnée d'éléments.
[0063] Les modes de réalisation de l'invention implémentent également un algorithme de génération de listes configuré pour générer des listes avec des prédictions améliorées de l'interaction de la part de l’utilisateur en explorant un ensemble de listes de recommandations possibles, compte tenu des probabilités d'interaction calculées par les modèles d'apprentissage automatique en cascade à deux étapes.
[0064] De plus, les modes de réalisation de l'invention peuvent combiner plusieurs sources de données pour générer une image plus complète et plus riche des connaissances sur le contexte de l’utilisateur (p. ex. dans le cas d'un système de réservation de voyage, des informations personnelles et un itinéraire de voyage), les caractéristiques des éléments individuels, et les recommandations historiques et la réponse de l’utilisateur. Les caractéristiques des modèles d'apprentissage automatique peuvent être conçues pour améliorer les performances du système de recommandations en fonction des caractéristiques dérivées du riche contexte généré à partir de la combinaison des données.
[0065] Les modes de réalisation décrits doivent être compris comme étant fournis à titre d’exemple dans le but d’enseigner les caractéristiques et les principes généraux de l’invention, mais ne doivent pas être interprétés comme limitant la portée de l’invention.

Claims (17)

  1. REVENDICATIONS :
    1. Un procédé implémenté par ordinateur pour fournir des recommandations personnalisées à un utilisateur d’éléments disponibles dans un système en ligne, le procédé comprenant :
    la réception, via un canal de communication, de données contextuelles (602) comprenant des informations utilisateur ;
    le calcul d'une pluralité de caractéristiques de premier niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles ;
    l’évaluation d’un modèle d’apprentissage automatique de premier niveau (608) utilisant les caractéristiques de premier niveau pour générer des prédictions (610) sur le comportement utilisateur par rapport à une pluralité d'éléments individuels disponibles via le système en ligne ;
    la génération d'une liste de recommandations d'éléments proposées basées sur des prédictions générées par le modèle d’apprentissage automatique de premier niveau ;
    le calcul d'une pluralité de caractéristiques de deuxième niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles et des caractéristiques de liste basées sur la liste des recommandations d'éléments proposées et les prédictions correspondantes générées par le modèle d’apprentissage automatique de premier niveau ;
    l’évaluation d’un modèle d'apprentissage automatique de deuxième niveau (612) à l'aide des caractéristiques de deuxième niveau afin de générer une prédiction (614) du comportement utilisateur par rapport à la liste des recommandations d'éléments proposées, et la fourniture, via le canal de communication, d’une liste personnalisée de recommandations d’éléments basée sur la prédiction générée par te modèle d'apprentissage automatique de deuxième niveau.
  2. 2. Le procédé selon la revendication 1 dans lequel les étapes de génération de la liste des recommandations d’éléments proposées, de calcul de la pluralité des caractéristiques de deuxième niveau et d'évaluation du modèle d'apprentissage automatique de deuxième niveau sont répétées de façon itérative, chaque itération comprenant en outre :
    avant le calcul de la pluralité des caractéristiques de deuxième niveau, la permutation (310) d’une recommandation d'éléments proposée dans la liste des recommandations d'éléments proposées en fonction des prédictions générées par le modèle d'apprentissage automatique de premier niveau pour générer une liste de test des recommandations d'élément proposées ;
    après l’évaluation (312) du modèle d'apprentissage automatique de deuxième niveau (612) pour générer une prédiction (614) du comportement utilisateur par rapport à la liste de test des recommandations d’éléments proposées, la comparaison (314) de la prédiction du comportement utilisateur par rapport à la liste de test des recommandations d’éléments proposées avec une prédiction calculée sur une itération antérieure ; et dans le cas où la comparaison détermine que la prédiction du comportement utilisateur par rapport à la liste de test des recommandations d’éléments proposées est plus favorable que la prédiction calculée sur l’itération précédente, le remplacement (316) de la liste des recommandations d’éléments proposées par la liste de test des recommandations d’éléments proposées.
  3. 3. Le procédé selon la revendication 2 dans lequel l’étape de permutation d'une recommandation d’éléments proposée dans la liste des recommandations d'éléments proposées comprend la sélection d'une permutation qui génère une liste non testée de recommandations parmi la pluralité d’éléments individuels pour lesquels des prédictions ont été générées par le modèle d'apprentissage automatique de premier niveau, et l'itération continue jusqu'à ce qu'une condition d’arrêt soit remplie.
  4. 4. Le procédé selon la revendication 3 dans lequel la condition d'arrêt est que toutes les listes potentielles de recommandations ont été épuisées.
  5. 5. Le procédé selon la revendication 2 dans lequel l'étape de permutation d'une recommandation d'éléments proposée dans la liste des recommandations d'éléments proposées comprend la sélection d'une permutation qui améliore au moins l'une des caractéristiques de deuxième niveau ayant trait à un changement prédit dans la prédiction du comportement utilisateur par rapport à la liste de test des recommandations proposées, et l'itération se poursuit jusqu'à ce qu'une condition d’arrêt soit remplie.
  6. 6. Le procédé selon la revendication 5 dans lequel la condition est que la prédiction du comportement utilisateur par rapport à la liste des recommandations d’éléments proposées ne doit pas devenir nettement plus favorable du fait d'une itération supplémentaire.
  7. 7. Le procédé selon l’une quelconque des revendications 1 à 6 dans lequel le modèle d'apprentissage automatique de premier niveau est formé à l'aide des caractéristiques d’éléments associées à chaque élément disponible, et des données historiques sur le comportement utilisateur antérieur en réponse à des présentations de recommandations personnalisées.
  8. 8. Le procédé selon la revendication 7 dans lequel te modèle d’apprentissage de deuxième niveau est formé en utilisant les données historiques sur le comportement utilisateur antérieur en réponse à des présentations de recommandations personnalisées et des données de prédiction correspondantes générées par l'évaluation du modèle d'apprentissage automatique de premier niveau.
  9. 9. Le procédé selon l’une quelconque des revendications 1 à 8 dans lequel les caractéristiques de la liste comprennent une ou plusieurs caractéristiques de liste agrégées choisies dans te groupe comprenant :
    la prédiction moyenne du comportement utilisateur en rapport aux éléments individuels inclus dans la liste des recommandations d’éléments proposées ;
    te coût minimum de l’élément des éléments individuels inclus dans la liste des recommandations proposées ;
    le nombre d'éléments dans la liste des recommandations proposées ;
    la valeur moyenne d'une note d’évaluation associée aux éléments individuels dans la liste des recommandations d'éléments proposées ;
    la fourchette de coûts des éléments individuels inclus dans la liste des recommandations d’éléments proposées ; et la fourchette des valeurs d’une note d’évaluation associée aux éléments individuels dans la liste des recommandations d’éléments proposées.
  10. 10. Le procédé selon l’une quelconque des revendications 1 à 9 dans lequel les prédictions du comportement utilisateur peuvent comprendre une ou plusieurs : probabilité que l'utilisateur clique sur un lien correspondant à un élément présenté dans la liste personnalisée de recommandations d'éléments ; et une probabilité que l'utilisateur termine un achat en ligne d’un élément présenté dans la liste personnalisée des recommandations d’éléments.
  11. 11. Le procédé selon l’une quelconque des revendications 1 à 10 mis en œuvre dans le contexte d'un système de services de voyage en ligne, dans lequel les données contextuelles comprennent des informations stockées dans un dossier passager (PNR) associé à une réservation de vol en ligne, et les éléments comprennent des réservations d’hébergement.
  12. 12. Un système de recommandations (102) pour fournir des recommandations personnalisées à un utilisateur d’éléments disponibles dans un système en ligne, le système comprenant :
    un module d’apprentissage automatique à un seul élément implémenté par ordinateur (206) comprenant un modèle d’apprentissage automatique de premier niveau (608) configuré pour recevoir une pluralité de caractéristiques de premier niveau et pour générer une prédiction correspondante (610) de comportement utilisateur par rapport à une pluralité d'éléments individuels disponibles via le système en ligne ;
    un module d'apprentissage automatique de liste d’éléments implémenté par ordinateur (208) comprenant un modèle d’apprentissage automatique de deuxième niveau (612) configuré pour recevoir une pluralité de caractéristiques de deuxième niveau et pour générer une prédiction correspondante (614) du comportement utilisateur par rapport à une liste de recommandations d'éléments proposées ; et un module de génération de listes implémenté par ordinateur (204) configuré pour :
    recevoir des données contextuelles (602) comprenant des informations utilisateur ;
    calculer la pluralité de caractéristiques de premier niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles ;
    obtenir des prédictions du comportement utilisateur par rapport à une pluralité d'éléments individuels disponibles via le système en ligne à partir du module d'apprentissage automatique à un seul élément basé sur les caractéristiques de premier niveau ;
    générer la liste des recommandations proposées en fonction des prédictions obtenues à partir du module d’apprentissage automatique à un seul élément ;
    calculer la pluralité des caractéristiques de deuxième niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles et des caractéristiques de liste basées sur la liste des recommandations d'éléments proposées et les prédictions correspondantes générées par le modèle d'apprentissage automatique de premier niveau obtenir une prédiction du comportement utilisateur par rapport à la liste des recommandations d'éléments proposées à partir du module d'apprentissage automatique de la liste d'éléments basé sur les caractéristiques de deuxième niveau ; et fournir une liste personnalisée de recommandations d'éléments basée sur la prédiction obtenue à partir du module d'apprentissage automatique de la liste d'éléments.
  13. 13. Le système de recommandations selon la revendication 12, dans lequel le module générateur de listes est configuré pour construire de manière itérative la liste des recommandations d'éléments proposées, calculer la pluralité de caractéristiques de deuxième niveau, et obtenir la prédiction du comportement des utilisateurs par rapport à la liste des recommandations d'éléments proposées, et il est en outre configuré, dans chaque itération, pour :
    avant le calcul de la pluralité des caractéristiques de deuxième niveau, la permutation (310) d’une recommandation d'éléments proposée dans la liste des recommandations d'éléments proposées en fonction des prédictions obtenues à partir du module d'apprentissage automatique à un seul élément, pour générer une liste de test des recommandations d'éléments proposées ;
    après l’obtention de la prédiction du comportement utilisateur par rapport à la liste des recommandations proposées à partir du module d’apprentissage automatique des recommandations d’éléments proposées, la comparaison (314) entre la prédiction du comportement utilisateur par rapport à la liste de test des recommandations proposées avec une prédiction calculée sur une itération antérieure ; et dans le cas où ia comparaison détermine que la prédiction du comportement utilisateur par rapport à la liste de test des recommandations d'éléments proposées est plus favorable que la prédiction calculée sur l'itération précédente, le remplacement (316) de la liste des recommandations d’éléments proposées par la liste de test des recommandations d’éléments proposées.
  14. 14. Le système de recommandations de la revendication 12 ou 13 dans lequel le modèle d'apprentissage automatique de premier niveau est configuré par formation à l’aide des caractéristiques d’éléments associées à chaque élément disponible, et des données historiques sur le comportement utilisateur antérieur en réponse aux présentations de recommandations personnalisées.
  15. 15. Le système de recommandations de la revendication 14 dans lequel le modèle d'apprentissage automatique de deuxième niveau est configuré par formation à l’aide des données historiques du comportement utilisateur antérieur en réponse aux présentations de recommandations personnalisées et des données de prédiction correspondantes générées par l’évaluation du modèle d’apprentissage automatique de premier niveau.
  16. 16. Un système informatique (102) pour fournir des recommandations personnalisées à un utilisateur d’éléments disponibles dans un système en ligne, le système informatique comprenant :
    un processeur (104) ;
    au moins un dispositif de mémoire (110) accessible par le processeur ; et une interface de communication (112) accessible par le processeur, dans laquelle le dispositif de mémoire contient te corps d'instructions de programme (114) qui, lorsqu'elles sont exécutées par le processeur, amènent le système informatique à implémenter un procédé comprenant les étapes de : réception, via l’interface de communication, des données contextuelles (602) contenant des informations utilisateur ;
    le calcul d’une pluralité de caractéristiques de premier niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles ;
    l’évaluation d’un modèle d'apprentissage automatique de premier niveau (608) à l'aide des fonctions de premier niveau pour générer des prédictions (610) du comportement utilisateur par rapport à une pluralité d'éléments individuels disponibles via le système en ligne ;
    la génération d'une liste de recommandations d'éléments proposées en fonction des prédictions générées par le modèle d’apprentissage automatique de premier niveau ;
    le calcul d'une pluralité de caractéristiques de deuxième niveau comprenant des caractéristiques contextuelles basées sur les données contextuelles et des caractéristiques de liste basées sur la liste des recommandations d'éléments proposées et les prédictions correspondantes générées par le modèle d'apprentissage automatique de premier niveau ;
    l’évaluation d'un modèle d'apprentissage automatique de deuxième niveau (612) à l'aide des caractéristiques de deuxième niveau afin de générer une prédiction (614) du comportement utilisateur par rapport à la liste des recommandations d'éléments proposées ; et la fourniture, via l'interface de communication, d'une liste personnalisée de recommandations d'éléments basée sur la prédiction
    5 générée par le modèle d'apprentissage automatique de deuxième niveau.
  17. 17. Un programme d’ordinateur comprenant des instructions de code de programme pour exécuter les étapes du procédé selon l’une quelconque des revendications 1 à 11 lorsque ledit programme fonctionne sur un ordinateur.
FR1860077A 2018-10-31 2018-10-31 Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade Withdrawn FR3087921A1 (fr)

Priority Applications (3)

Application Number Priority Date Filing Date Title
FR1860077A FR3087921A1 (fr) 2018-10-31 2018-10-31 Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade
EP19204224.0A EP3648041A1 (fr) 2018-10-31 2019-10-21 Systèmes et procédés de recommandation utilisant des modèles d'apprentissage machine en cascade
US16/661,511 US11538086B2 (en) 2018-10-31 2019-10-23 Recommender systems and methods using cascaded machine learning models

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
FR1860077A FR3087921A1 (fr) 2018-10-31 2018-10-31 Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade

Publications (1)

Publication Number Publication Date
FR3087921A1 true FR3087921A1 (fr) 2020-05-01

Family

ID=66166061

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1860077A Withdrawn FR3087921A1 (fr) 2018-10-31 2018-10-31 Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade

Country Status (3)

Country Link
US (1) US11538086B2 (fr)
EP (1) EP3648041A1 (fr)
FR (1) FR3087921A1 (fr)

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10607242B1 (en) 2017-02-14 2020-03-31 Patreon, Inc. Generation of subscription recommendations for content creators
US10621532B1 (en) 2017-02-14 2020-04-14 Patreon, Inc. Generation of engagement and support recommendations for content creators
CN110598086B (zh) * 2018-05-25 2020-11-24 腾讯科技（深圳）有限公司 文章推荐方法、装置、计算机设备及存储介质
FR3087921A1 (fr) * 2018-10-31 2020-05-01 Amadeus S.A.S. Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade
US11157987B2 (en) * 2018-12-07 2021-10-26 Paypal, Inc. System and method for obtaining recommendations using scalable cross-domain collaborative filtering
US11531916B2 (en) 2018-12-07 2022-12-20 Paypal, Inc. System and method for obtaining recommendations using scalable cross-domain collaborative filtering
US11106833B2 (en) * 2019-09-06 2021-08-31 International Business Machines Corporation Context aware sensitive data display
US11270330B1 (en) 2020-02-26 2022-03-08 Patreon, Inc. Systems and methods to determine tax classification of benefits offered to subscribers of a membership platform
US11790391B1 (en) * 2020-03-17 2023-10-17 Patreon, Inc. Systems and methods to recommend benefit types of benefit items to offer within a membership platform
US11386377B1 (en) * 2020-03-17 2022-07-12 Patreon, Inc. Systems and methods to recommend price of benefit items offered through a membership platform
CN111538909A (zh) * 2020-06-22 2020-08-14 中国银行股份有限公司 一种信息推荐方法及装置
CN112035743B (zh) * 2020-08-28 2021-10-15 腾讯科技（深圳）有限公司 数据推荐方法、装置、计算机设备以及存储介质
CN111949887B (zh) * 2020-08-31 2024-04-05 华东理工大学 物品推荐方法、装置及计算机可读存储介质
CN112163159B (zh) * 2020-10-09 2024-07-30 北京百度网讯科技有限公司 资源推荐和参数确定方法、装置、设备及介质
CN113298283A (zh) * 2020-10-19 2021-08-24 阿里巴巴集团控股有限公司 一种内容对象预测方法和装置以及内容对象推荐方法
CN112347361B (zh) * 2020-11-16 2024-03-01 百度在线网络技术（北京）有限公司 推荐对象的方法、神经网络及其训练方法、设备和介质
CN112613718B (zh) * 2020-12-17 2023-12-01 武汉达梦数据技术有限公司 一种特定场所风险评估方法及装置
CN112685641B9 (zh) * 2020-12-31 2024-08-16 五八有限公司 一种信息处理方法及装置
CN112765339B (zh) * 2021-01-21 2022-10-04 山东师范大学 一种基于强化学习的个性化图书推荐方法及系统
US20220277205A1 (en) * 2021-02-26 2022-09-01 Amplitude Inc. Automated machine learning to generate recommendations for websites or applications
CN115081501A (zh) * 2021-03-15 2022-09-20 中国电信股份有限公司 用户分类方法与装置、级联的用户分类模型及设备
US20220301022A1 (en) * 2021-03-19 2022-09-22 Capital One Services, Llc Methods and systems for generating real-time recommendations using machine learning models
US20220301021A1 (en) * 2021-03-19 2022-09-22 Capital One Services, Llc Methods and systems for generating real-time recommendations using machine learning models
CN113032676B (zh) * 2021-03-31 2022-11-08 上海天旦网络科技发展有限公司 基于微反馈的推荐方法和系统
CN113095669A (zh) * 2021-04-08 2021-07-09 国网山东省电力公司电力科学研究院 一种基于用能耦合协调性的综合能源调度方法及系统
CN112800234B (zh) * 2021-04-15 2021-06-22 腾讯科技（深圳）有限公司 信息处理方法、装置、电子设备和存储介质
US20220353304A1 (en) * 2021-04-30 2022-11-03 Microsoft Technology Licensing, Llc Intelligent Agent For Auto-Summoning to Meetings
US11368735B1 (en) 2021-05-18 2022-06-21 Patreon, Inc. Systems and methods to facilitate quality control of benefit items created for subscribers of a membership platform
US11715126B1 (en) 2021-06-07 2023-08-01 Patreon, Inc. Systems and methods to process payments for subscribership within a membership platform
CN115700548A (zh) * 2021-07-23 2023-02-07 伊姆西Ip控股有限责任公司 用户行为预测的方法、设备和计算机程序产品
US11675860B1 (en) 2021-07-28 2023-06-13 Patreon, Inc. Systems and methods to generate creator page recommendations for content creators
CN113704441B (zh) * 2021-09-06 2022-06-10 中国计量大学 一种考虑物品和物品属性特征级别重要性的会话推荐方法
CN113869530B (zh) * 2021-12-02 2022-03-01 北京华品博睿网络技术有限公司 一种机器学习在线特征生产系统和方法
CN113961823B (zh) * 2021-12-17 2022-03-25 江西中业智能科技有限公司 新闻推荐方法、系统、存储介质及设备
US11836756B1 (en) * 2021-12-17 2023-12-05 Patreon, Inc. Systems and methods to generate a user interface conveying subscriber behavior of subscribers within a membership platform
CN114461871B (zh) * 2021-12-21 2023-03-28 北京达佳互联信息技术有限公司 推荐模型训练方法、对象推荐方法、装置及存储介质
CN114265777B (zh) * 2021-12-23 2023-01-10 北京百度网讯科技有限公司 应用程序的测试方法、装置、电子设备及存储介质
US11748779B2 (en) * 2022-01-28 2023-09-05 Walmart Apollo, Llc Real-time dayparting management
JP7260939B1 (ja) 2022-03-23 2023-04-19 株式会社Novera プログラム、情報処理装置、及び方法
CN116108267A (zh) * 2022-12-19 2023-05-12 华为技术有限公司 一种推荐方法及相关设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012013996A1 (fr) * 2010-07-30 2012-02-02 Gravity Research & Development Kft. Systèmes et procédés de recommandation

Family Cites Families (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002033628A2 (fr) * 2000-10-18 2002-04-25 Johnson & Johnson Consumer Companies, Inc. Systeme de recommendation de produit base sur une performance intelligente
US10585942B2 (en) * 2005-09-14 2020-03-10 Millennial Media Llc Presentation of search results to mobile devices based on viewing history
US8781915B2 (en) * 2008-10-17 2014-07-15 Microsoft Corporation Recommending items to users utilizing a bi-linear collaborative filtering model
US9652797B2 (en) * 2013-01-18 2017-05-16 24/7 Customer, Inc. Intent prediction based recommendation system using data combined from multiple channels
US20140279208A1 (en) * 2013-03-14 2014-09-18 Rosie Electronic shopping system and service
US11023947B1 (en) * 2013-03-15 2021-06-01 Overstock.Com, Inc. Generating product recommendations using a blend of collaborative and content-based data
US9704109B2 (en) * 2013-03-28 2017-07-11 Amadeus S.A.S. Community travel booking
US9454781B2 (en) * 2013-07-29 2016-09-27 International Business Machines Corporation Ranking and recommendation of online content
EP2840543A1 (fr) * 2013-08-20 2015-02-25 Amadeus S.A.S. Offres de voyage contextualisées
US9875446B2 (en) * 2014-04-03 2018-01-23 Amadeus S.A.S. Travel product information sharing
US9858610B2 (en) * 2014-08-29 2018-01-02 Wal-Mart Stores, Inc. Product recommendation based on geographic location and user activities
US10223727B2 (en) * 2014-10-20 2019-03-05 Oath Inc. E-commerce recommendation system and method
US10395294B2 (en) * 2014-11-03 2019-08-27 Amadeus S.A.S. Managing pre-computed search results
US10007957B2 (en) * 2015-04-14 2018-06-26 Amadeus S.A.S. Selecting search results for responding to search query
US20160350669A1 (en) * 2015-06-01 2016-12-01 Linkedin Corporation Blending content pools into content feeds
US11341153B2 (en) * 2015-10-05 2022-05-24 Verizon Patent And Licensing Inc. Computerized system and method for determining applications on a device for serving media
US10255628B2 (en) * 2015-11-06 2019-04-09 Adobe Inc. Item recommendations via deep collaborative filtering
US10977322B2 (en) * 2015-11-09 2021-04-13 WP Company, LLC Systems and methods for recommending temporally relevant news content using implicit feedback data
US20170155737A1 (en) * 2015-12-01 2017-06-01 Let's Maybe, Inc. Context-aware information discovery
US10152740B2 (en) * 2016-08-11 2018-12-11 Amadeus S.A.S. Method, medium, and system for improving hardware efficiency in generating travel recommendations
US10432749B2 (en) * 2016-08-24 2019-10-01 Facebook, Inc. Application bookmarks and recommendations
US10375200B2 (en) * 2016-09-26 2019-08-06 Disney Enterprises, Inc. Recommender engine and user model for transmedia content data
US10726466B2 (en) * 2016-11-03 2020-07-28 International Business Machines Corporation System and method for recommending products to bridge gaps between desired and actual personal branding
US10762550B2 (en) * 2016-11-15 2020-09-01 Amadeus Sas Contextual service systems and methods
US10650432B1 (en) * 2016-11-28 2020-05-12 Amazon Technologies, Inc. Recommendation system using improved neural network
US10824940B1 (en) * 2016-11-30 2020-11-03 Amazon Technologies, Inc. Temporal ensemble of machine learning models trained during different time intervals
CN108228579A (zh) * 2016-12-09 2018-06-29 阿里巴巴集团控股有限公司 网络交互系统
US10861077B1 (en) * 2017-03-21 2020-12-08 Amazon Technologies, Inc. Machine, process, and manufacture for machine learning based cross category item recommendations
US20180285957A1 (en) * 2017-03-31 2018-10-04 Ten-X, Llc Recommendation system associated with an online marketplace
US20180365599A1 (en) * 2017-06-19 2018-12-20 Amadeus S.A.S. Updating an entire itinerary based on modifying a single travel reservation
BR112019027187A8 (pt) * 2017-06-22 2023-04-11 Avlani Dipesh Sistema para agregação de metadados de eventos de comportamento do consumidor na loja, verificação de dados e análise de inteligência artificial dos mesmos para interpretação dos dados e desencadeamento de ação associada
US11928716B2 (en) * 2017-12-20 2024-03-12 Sap Se Recommendation non-transitory computer-readable medium, method, and system for micro services
US11087237B2 (en) * 2018-01-30 2021-08-10 Walmart Apollo, Llc Machine learning techniques for transmitting push notifications
US10740824B2 (en) * 2018-03-15 2020-08-11 Amadeus S.A.S. Product delivery system and method
US20200005192A1 (en) * 2018-06-29 2020-01-02 Paypal, Inc. Machine learning engine for identification of related vertical groupings
US11017452B2 (en) * 2018-10-09 2021-05-25 Dell Products L.P. Concerted learning and multi-instance sequential prediction tree
FR3087921A1 (fr) * 2018-10-31 2020-05-01 Amadeus S.A.S. Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012013996A1 (fr) * 2010-07-30 2012-02-02 Gravity Research & Development Kft. Systèmes et procédés de recommandation

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ROBIN BURKE: "Hybrid Recommender Systems: Survey and Experiments", USER MODELING AND USER-ADAPTED INTERACTION, vol. 12, no. 4, 1 January 2002 (2002-01-01), pages 331 - 370, XP055051752, ISSN: 0924-1868, DOI: 10.1023/A:1021240730564 *
SUSAN LI: "Machine Learning Model for Predicting Click-Through in Hotel Online Ranking", 29 September 2018 (2018-09-29), XP055593131, Retrieved from the Internet <URL:https://towardsdatascience.com/machine-learning-model-for-predicting-click-through-in-hotel-online-ranking-d55fc18c8516> [retrieved on 20190530] *

Also Published As

Publication number Publication date
US20200134696A1 (en) 2020-04-30
EP3648041A1 (fr) 2020-05-06
US11538086B2 (en) 2022-12-27

Similar Documents

Publication Publication Date Title
FR3087921A1 (fr) Systèmes et méthodes de recommandation utilisant des modèles d&#39;apprentissage automatique en cascade
Cummins et al. Consumer behavior in the online context
US10600004B1 (en) Machine-learning based outcome optimization
US20180342004A1 (en) Cumulative success-based recommendations for repeat users
US20210264202A1 (en) Enhanced processing for communication workflows using machine-learning techniques
US10891585B2 (en) Cognitive fashion-ability score driven fashion merchandising acquisition
US12050936B2 (en) Enhanced processing for communication workflows using machine-learning techniques
US20160005098A1 (en) Product recommendation engine based on remaining balance in a stored-value scenario
FR3108995A3 (fr) Apprentissage de renforcement pour l’ergonomie des sites Web
FR3069679A1 (fr) Adaptation d&#39;interfaces utilisateurs d&#39;apres des criteres de reference
CN116362790A (zh) 客户类型预测方法、装置、电子设备、介质和程序产品
US11681895B2 (en) Cognitive assistant with recommendation capability
FR3069076A1 (fr) Systeme et procede pour delivrer dynamiquement du contenu
CN116308602A (zh) 推荐产品信息的生成方法、装置、电子设备和介质
Goldstein et al. Are we there yet? Analyzing progress in the conversion funnel using the diversity of searched products
Brackmann et al. Identifying Application Areas for Machine Learning in the Retail Sector: A Literature Review and Interview Study
FR3071087A1 (fr) Une methode et un systeme pour la segmentation de voyageurs en ligne en temps reel a l&#39;aide de l&#39;apprentissage automatique
CH709062A1 (fr) Système et procédé mis en oœvre par ordinateur pour mettre en relation des acheteurs et des vendeurs de produits ou services.
FR3090960A1 (fr) Apprentissage automatique pour la détection de fraude dans un système informatique de réservation
FR3078189A1 (fr) Echanges avec prise en compte automatique de facteurs associes aux echanges
FR3001823A1 (fr) Systeme de gestion d&#39;ordres de transactions a contreparties limites
FR3079040A1 (fr) Systeme et procede de fourniture de produits
FR3055056A1 (fr) Generation de recommandations pour des itineraires ayant deux ou plusieurs segments
FR3070781A1 (fr) Identifiants bases sur une interrogation pour le suivi de reponses de sessions croisees
US20180225905A1 (en) Cognitive planning to conserve resources

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20200501

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

ST Notification of lapse

Effective date: 20230606