Dans le MOOC Mining Massive Datasets de l'Université de Stanford, sur Coursera (https://fr.coursera.org/course/mmds), ils traitent du popularity bias (Week 4 - Implementing CF - 5:14) : les films populaires seront très souvent recommandés, ce qui peut nuire à la personnalisation des recommandations ... Pourquoi personnaliser alors qu'il suffit d'afficher les films populaires ??
Pour mesurer cela, on pourra prendre un échantillon d'individus, un nombre de recommandations par individus et déterminer la répartition de ceux-ci (pour chaque film, on aura le nombre de recommandations). Ainsi, plus la répartition est diversifiée, meilleur sera notre système de recommandation. Dans le cas contraire, ce (énorme!!) défaut devra faire l'objet d'une étude plus approfondie.
[Optionnel quoique intéressant]
Dans le MOOC Mining Massive Datasets de l'Université de Stanford, sur Coursera (https://fr.coursera.org/course/mmds), ils traitent du popularity bias (Week 4 - Implementing CF - 5:14) : les films populaires seront très souvent recommandés, ce qui peut nuire à la personnalisation des recommandations ... Pourquoi personnaliser alors qu'il suffit d'afficher les films populaires ??
Pour mesurer cela, on pourra prendre un échantillon d'individus, un nombre de recommandations par individus et déterminer la répartition de ceux-ci (pour chaque film, on aura le nombre de recommandations). Ainsi, plus la répartition est diversifiée, meilleur sera notre système de recommandation. Dans le cas contraire, ce (énorme!!) défaut devra faire l'objet d'une étude plus approfondie.
Au final, on aura :