Google DeepMind applique des recommandations d’applications personnalisées au Play Store

Description détaillée de trois modèles appliqués au système de recommandation

• Générateur de candidats : comme les recommandations basées sur les applications déjà installées peuvent être biaisées, le modèle prend en compte le taux d’installation après exposition.

• ReRanker : recalcule l’ordre des applications recommandées en mode pairwise plutôt que pointwise. La méthode consiste à réajuster le classement relatif en fonction de l’application choisie parmi celles proposées dans une situation donnée.

• Optimisation multi-objectifs : de nombreux systèmes de recommandation optimisent simultanément des objectifs comme la pertinence, la popularité et les préférences personnelles. Ces objectifs évoluent dynamiquement selon les besoins de l’utilisateur. Par exemple, un utilisateur intéressé par des applications de recherche de logement, une fois son logement trouvé, peut ensuite s’intéresser à des applications de décoration intérieure. Pour répondre à ce type de cas, l’amélioration du second objectif est calculée en pourcentage plutôt qu’en valeur absolue.