Exploiter les critiques de la foule pour expliquer la recommandation de films.

Résumé Les services de streaming tels que Netflix, M-Go et Hulu utilisent des systèmes de recommandation avancés pour aider leurs clients à identifier rapidement et facilement les contenus pertinents. Ces systèmes de recommandation affichent la liste des films recommandés organisée en sous-listes étiquetées avec le genre ou des étiquettes plus spécifiques. Malheureusement, les méthodes existantes pour extraire ces sous-listes étiquetées nécessitent des annotateurs humains pour étiqueter manuellement les films, ce qui prend du temps et est biaisé par les opinions des annotateurs. Dans cet article, nous concevons une méthode qui s'appuie sur les critiques de la foule pour identifier automatiquement des groupes de films similaires et étiqueter ces groupes. Notre méthode utilise le contenu des critiques de films disponibles en ligne comme entrée pour un algorithme basé sur l'allocation de Dirichlet latente (LDA) qui identifie les groupes de films similaires. Nous séparons l'ensemble des films similaires qui partagent la même combinaison de genres en sous-listes et personnalisons les films à montrer dans chaque sous-liste en utilisant la factorisation matricielle. Les résultats d'une comparaison côte à côte de notre méthode avec le service de VoD M-Go de Technicolor sont encourageants.