Recommandations par le contenu
- Leçon 17
- 35 min
- Module 6 : Le contenu, les hybrides et le démarrage à froid
Où nous en sommes
Les méthodes collaboratives ont besoin d'interactions. Un produit que personne n'a encore acheté n'en a aucune. Dans cette leçon, nous transformons le texte et les attributs des produits en plongements. Nous trouvons ensuite des produits similaires sans aucun historique.
Leçon 17 sur 29 · Recommandation et personnalisation : montrer à chacun ce qui compteRecommandations par le contenu
1. Le problème de la recommandation
2. Les données, la rétroaction implicite et un découpage honnête
3. Mesurer les recommandations hors ligne
4. Les voisins et le filtrage collaboratif
5. La factorisation matricielle pour la rétroaction implicite
6. Le contenu, les hybrides et le démarrage à froid
7. Deux étapes : les candidats et le classement
8. Des scores hors ligne au vrai magasin
9. L'exploiter en production
Ce que vous saurez faire
Suggérez des produits selon ce qu’ils sont, et non selon les personnes qui les ont achetés. Transformez le texte de chaque produit en liste de nombres et trouvez les produits les plus proches. Construisez ensuite la liste d’un client à partir des produits avec lesquels il a interagi. Mesurez ensuite ce que cela apporte à Larkfield, et ce que cela n’apporte pas.
Carnet JupyterFaites cette leçon dans un carnet Jupyter
Le carnet charge les vecteurs des produits de Larkfield. Il trouve les produits les plus proches d’un fauteuil et d’un nouveau produit. Vous mesurez ensuite à quelle fréquence le produit le plus proche d’un nouveau produit appartient à sa sous-catégorie. Ses cellules de préparation téléchargent environ 3 Mo de données d’exercice. Aucun téléchargement de modèle. Environ 15 minutes.
Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- La similarité cosinus entre produits, dans Les clients ont aussi acheté, et le filtrage collaboratif article-article, dans Filtrage collaboratif article-article.
- ALS et sa solution de repli pour les clients qu’il ne connaît pas, dans ALS et BPR avec implicit.
- Les nouveaux produits comme segment, dans Évaluer par segment.
Ce qu’il vous faut sur votre ordinateur (seulement pour les étapes du projet)
- Votre projet
larkfield-recsà la fin du module 5, avec son environnement virtuel actif.recs checkafficheSetup check passed.(vérification de la configuration réussie). - Les fichiers d’exercice dans
../nextia-learning-labs, à côté du dossier du projet. Vous copiez un fichier depuis leur instantanéend-of-m06.
Testé sur macOS avec Python 3.12. Les commandes Windows (PowerShell) n’ont pas été exécutées.
Une nouvelle glacière sur la tablette
Section intitulée « Une nouvelle glacière sur la tablette »Une jardinerie reçoit un nouveau produit le lundi matin : une glacière gris charbon à roulettes. Personne ne l’a encore achetée. La caisse n’a aucun historique pour ce produit.
Une bonne vendeuse sait quand même quoi en faire. Elle lit l’étiquette : « glacière à coque rigide, roulettes, gris charbon ». Elle se souvient d’un client qui a acheté un sac isotherme souple l’été dernier. Elle lui montre la nouvelle glacière. Elle n’a pas eu besoin d’une seule vente de cette glacière. Elle a utilisé ce que le produit est.
Les méthodes des modules 4 et 5 ne peuvent pas faire cela. Elles apprennent seulement à partir de qui a acheté quoi.
Le problème : aucun historique, aucune suggestion
Section intitulée « Le problème : aucun historique, aucune suggestion »Le filtrage collaboratif article-article trouve des voisins grâce aux clients communs. ALS apprend un vecteur pour chaque produit à partir des clients qui ont interagi avec lui. Les deux ont besoin d’événements. Un produit sans événements a une colonne vide dans la matrice. Il ne peut être le voisin d’aucun produit, et ALS n’apprend rien pour lui.
Larkfield l’a constaté le 1er mai 2026, le premier jour de la période de lancement. L’entreprise a lancé une gamme estivale de 240 produits ce jour-là. Avant le 1er mai, ces produits avaient 0 consultations, 0 ajouts au panier et 0 commandes. Nous réexécutons les deux premières semaines. Nous apprenons à partir des événements avant le 1er mai. Nous évaluons les commandes du 1er au 14 mai pour 2 113 clients.
| Méthode | Produits lancés présents dans au moins une liste (sur 240) | Nouveaux produits dans les listes |
|---|---|---|
als |
0 | 0,0 % |
trending |
0 | 0,0 % |
hybrid-blend (prochaines leçons) |
0 | 0,1 % |
two-stage (module 7) |
0 | 0,5 % |
Chaque méthode qui apprend à partir de l’historique n’affiche aucun des 240 produits. Hana, responsable du marchandisage, a payé pour une nouvelle gamme, et la page d’accueil la cache entièrement. Ce lancement est un problème d’exercice que nous avons créé exprès. Tout le journal du magasin est synthétique, produit par notre code.
L’idée : décrire chaque produit avec des nombres
Section intitulée « L’idée : décrire chaque produit avec des nombres »Un produit a du texte : un titre, une description, une catégorie, un style et une couleur. Si nous pouvons transformer ce texte en nombres, nous pouvons comparer les produits sans aucun historique.
Un plongement (embedding) est une liste de nombres qu’un modèle de langage produit à partir d’un texte. Le modèle est entraîné pour que les textes de sens similaire donnent des listes similaires. « Glacière à coque dure » et « contenant réfrigérant rigide » donnent des listes proches, sans partager un seul mot. « Coussin de velours » donne une liste éloignée des deux autres. Une telle liste de nombres s’appelle aussi un vecteur.
Une méthode par le contenu suggère des produits dont le contenu ressemble à celui des produits qu’un client a aimés. Le « contenu » désigne le texte et les attributs du produit lui-même. Le nom indique ce qu’elle utilise, et ce qu’elle n’utilise pas : les autres clients.
Description textuelle du diagramme
Le diagramme présente un flux de gauche à droite. Le texte du produit comprend le titre, la description, la catégorie, la sous-catégorie, le style et la couleur. Il entre dans un petit modèle de langage. L’équipe du cours a exécuté le modèle une seule fois. Le modèle donne un plongement de 384 nombres. La similarité cosinus compare ce plongement au vecteur de chaque autre produit. Cela donne les produits les plus proches : un texte similaire, sans besoin d’historique. Un encadré séparé à bordure épaisse indique « un nouveau produit à son premier jour ». Une flèche pointillée le relie au plongement : il a du texte, donc il a aussi un vecteur.
Des vecteurs proches : la similarité cosinus
Section intitulée « Des vecteurs proches : la similarité cosinus »Comment dire que deux vecteurs sont « proches »? Dans le module 4, vous avez rencontré la similarité cosinus : elle compare la direction de deux vecteurs. Ici, les vecteurs ont une longueur de 1, donc le cosinus est simple. Multipliez les nombres correspondants et additionnez les produits. Le résultat est 1 pour une même direction. Il est plus petit pour des vecteurs qui pointent dans des directions différentes.
Voici un petit exemple que nous avons créé, avec seulement 2 nombres par produit au lieu de 384. Imaginez que le premier nombre signifie « pour des boissons froides dehors ». Le second signifie « souple, pour le salon » :
| Produit | Vecteur | Cosinus avec la glacière |
|---|---|---|
| Glacière | (0,95, 0,31) | 1 (elle-même) |
| Sac isotherme | (0,87, 0,49) | 0,95 × 0,87 + 0,31 × 0,49 = 0,98 |
| Coussin | (0,20, 0,98) | 0,95 × 0,20 + 0,31 × 0,98 = 0,49 |
Description textuelle du graphique
Quatre flèches partent de zéro. La glacière pointe le long du premier axe, à (0,95, 0,31). Le sac isotherme pointe presque dans la même direction, à (0,87, 0,49) : petit angle, cosinus de 0,98. Le coussin pointe vers le haut, à (0,20, 0,98) : grand angle avec la glacière, cosinus de 0,49. Le profil client, à (0,80, 0,60), se situe entre le sac isotherme et le coussin, plus près du sac.
Des produits au client
Section intitulée « Des produits au client »Un client n’est pas un produit, donc il nous faut une étape de plus. Le profil d’un client est la somme pondérée des vecteurs des produits avec lesquels il a interagi. Nous ramenons cette somme à une longueur de 1. Le projet donne un poids de 1 à une consultation, de 3 à un ajout au panier et de 5 à une commande. Ce sont les mêmes poids que dans le module 2. Les événements anciens comptent moins : leur poids diminue de moitié tous les 30 jours.
Dans le petit exemple, un client a commandé le sac isotherme (poids de 5) et consulté le coussin (poids de 1). La somme est 5 × (0,87, 0,49) + 1 × (0,20, 0,98) = (4,55, 3,43). Ramené à une longueur de 1, le profil vaut environ (0,80, 0,60), la quatrième flèche de l’image.
Calculez maintenant le score de chaque produit avec le profil. La glacière obtient 0,95 × 0,80 + 0,31 × 0,60 = 0,95. Le coussin obtient 0,20 × 0,80 + 0,98 × 0,60 = 0,75. La nouvelle glacière arrive donc en premier dans la liste. Elle n’a eu besoin d’aucune vente : seulement de son texte.
Les vecteurs des produits de Larkfield
Section intitulée « Les vecteurs des produits de Larkfield »L’équipe du cours a produit un plongement par produit avec un petit modèle ouvert d’IBM : granite-embedding-97m-multilingual-r2. Sa fiche de modèle indique la licence Apache-2.0. C’est le même modèle que dans la leçon Recherche par le sens du cours de recherche. Le titre, la description, la catégorie, la sous-catégorie, le style et la couleur de chaque produit sont devenus 384 nombres. Cela a pris 8,6 secondes pour les 2 994 produits, sur le processeur d’un portable.
Les vecteurs se trouvent dans les fichiers d’exercice : data/embeddings/products.npy, 2,3 Mo, une ligne par produit. Le projet ne charge donc jamais le modèle de langage. Notez un autre point : un modèle de langage a rédigé les titres et les descriptions à partir de nos attributs. Ils sont synthétiques, comme le reste du magasin.
Les plongements pour la recherche, dans RAG : créer une IA qui utilise vos données, explique l’entraînement de ces modèles et la recherche rapide parmi de nombreux vecteurs. Ici, 2 994 vecteurs tiennent dans un petit tableau NumPy. Nous les comparons donc tous à chaque fois.
Ce que « similaire » signifie pour le texte
Section intitulée « Ce que « similaire » signifie pour le texte »Regardez un produit lancé et les produits les plus proches selon son texte. recs similar affiche les cinq produits les plus proches :
P10117 Charcoal Wheeled Hard-Shell Cool Box (Picnic and cool boxes, 47.99 dollars) 1. P11543 0.950 Black Hard-Shell Personal Cool Box (Picnic and cool boxes) 2. P10832 0.941 Green Large Chest Cool Box (Picnic and cool boxes) 3. P11997 0.940 Red Hard-Sided Cool Box (Picnic and cool boxes) 4. P12299 0.940 Terracotta Wheeled Cool Box (Picnic and cool boxes) 5. P12652 0.929 Walnut Compact Rigid Cool Box (Picnic and cool boxes)Cinq autres glacières. Le 1er mai, le produit n’avait aucun historique, et cette liste était identique : elle utilise seulement le texte. Comparez maintenant les voisins selon les clients communs (filtrage collaboratif article-article). Nous sommes sept semaines plus tard, quand la glacière avait un historique :
P10117 Charcoal Wheeled Hard-Shell Cool Box (Picnic and cool boxes, 47.99 dollars) 1. P11046 0.336 White Slim Can Cooler Box (Picnic and cool boxes) shared customers 26 2. P11789 0.314 Blush Pink Soft Cooler Bag (Picnic and cool boxes) shared customers 24 3. P10314 0.307 Copper Stainless Steel Drink Cooler (Picnic and cool boxes) shared customers 23 4. P12068 0.288 Cream Canvas Lunch Cooler (Picnic and cool boxes) shared customers 18 5. P12466 0.283 Brass-Tone Foldable Cooler Tote (Picnic and cool boxes) shared customers 20Les voisins selon le texte ressemblent au produit. Les voisins selon les clients sont des produits que les mêmes personnes ont consultés. Ce sont des sacs souples et de petites glacières, d’autres options pour la même sortie.
Le texte a ses propres limites. Voici les produits les plus proches du fauteuil Driftwood du module 4 :
P10020 Driftwood Blush Pink Wingback Armchair (Armchairs, 432.99 dollars) 1. P10971 0.929 Blush Pink Rattan Headboard Bed (Beds) 2. P11681 0.922 Driftwood Blush Pink Woven-Rattan Mirror (Mirrors) 3. P12503 0.920 Blush Pink Velvet Tub Armchair (Armchairs) 4. P11924 0.916 Belmont Blush Pink Fluted Bedside Table (Bedside tables) 5. P11108 0.915 Saltmarsh Blush Pink Compact Wardrobe (Wardrobes)Les mots de couleur « Blush Pink » rapprochent un lit, un miroir et une garde-robe. Selon les clients communs, les cinq voisins de ce fauteuil sont tous des fauteuils. Le texte connaît les mots d’un produit. Il ne sait pas ce que les gens achètent à sa place.
Pour les 240 produits lancés, le produit le plus proche selon le texte appartient à la même sous-catégorie pour 211 d’entre eux (87,9 %). Le carnet vous demande de mesurer ce nombre.
Quelle est la qualité du contenu pour une liste complète?
Section intitulée « Quelle est la qualité du contenu pour une liste complète? »La méthode content du projet donne maintenant une liste à chaque client. Elle contient les produits les plus proches du profil, en excluant ceux qui ne sont pas en vente. Un client sans événements n’a pas de profil. Il reçoit la liste des tendances, comme avec ALS.
Le graphique place chaque méthode selon deux mesures sur la période de test. L’axe vertical indique le rappel à 10 (recall@10). L’axe horizontal indique la couverture : la part des produits en vente qui figurent dans au moins une liste.
Description textuelle du graphique
Un nuage de points avec une couverture de 0 à 100 % à l’horizontale et un recall@10 de 0 à 0,2 à la verticale. Produits populaires : couverture 0,3 %, rappel 0,106. Tendances : couverture 0,3 %, rappel 0,156, le point le plus haut. ALS : 33,0 %, 0,142. Filtrage article-article : 53,2 %, 0,088. Filtrage utilisateur-utilisateur : 54,2 %, 0,145. Contenu, dans une autre couleur : couverture 84,1 %, le point le plus à droite, rappel 0,119.
Le contenu a un recall@10 de 0,119 (de 0,106 à 0,132), inférieur aux tendances (0,156) et à ALS (0,142). Mais il affiche 84,1 % des produits en vente, plus que toute autre méthode. Sa nouveauté est de 7,30 bits, la plus élevée après random et lift. Les produits qu’il affiche sont moins connus.
Par segment, le contenu obtient 0,151 pour les nouveaux clients, 0,085 pour les clients occasionnels et 0,102 pour les fidèles. Le résultat des nouveaux clients semble bon, mais soyez prudent. Sur les 952 nouveaux clients, 633 n’avaient aucun événement. Ils ont donc reçu la liste des tendances.
Et le lancement? Le contenu place 182 des 240 produits lancés dans la liste d’au moins une personne. Les méthodes fondées sur l’historique n’en montraient aucun. Les nouveaux produits occupent 6,2 % de toutes les cases. Mais parmi les 665 commandes de nouveaux produits pendant la période de lancement, les listes n’en contiennent que 1,5 %. Le contenu peut afficher de nouveaux produits. Il devine mal quel nouveau produit une personne achètera. La prochaine leçon travaille sur ce point.
Exercice guidé : le contenu dans votre projet
Section intitulée « Exercice guidé : le contenu dans votre projet »-
Dans votre dossier
larkfield-recs, avec l’environnement virtuel actif, copiez la méthode par le contenu :Fenêtre de terminal S=../nextia-learning-labs/C37/snapshots/end-of-m06cp $S/larkfield_recs/methods/content.py larkfield_recs/methods/Fenêtre de terminal $S = "..\nextia-learning-labs\C37\snapshots\end-of-m06"Copy-Item "$S\larkfield_recs\methods\content.py" larkfield_recs\methods\Le projet trouve les méthodes par fichier.
recs evaluate --listaffiche donc maintenant une nouvelle ligne :content content-based: products with text close to the customer's products (embeddings) -
Affichez les produits les plus proches de la glacière lancée selon le texte :
Fenêtre de terminal recs similar P10117 --method content --n 5Vous voyez les cinq glacières ci-dessus. Omettez
--method contentpour obtenir les voisins selon les clients communs. -
Évaluez le contenu sur la période de test :
Fenêtre de terminal recs evaluate content --by segmentMethod content (content-based: products with text close to the customer's products (embeddings)), test periodCustomers scored: 2,118; trained on events before 2026-06-22recall@10 0.119 (95% interval 0.106 to 0.132), NDCG@10 0.088, MAP@10 0.071, precision@10 0.018, hit rate 15.3%coverage 84.1% of the products on sale, novelty 7.30 bits, diversity 0.59, new products in the lists 16.2%time: fit 0.0 s, suggestions 0.1 ssegment customers recall@10 NDCG@10 95% interval (recall)new 952 0.151 0.103 0.131 to 0.173occasional 556 0.085 0.074 0.063 to 0.106loyal 610 0.102 0.076 0.080 to 0.123new products: 647 orders of new products in the period; recall@10 on them 0.164L’ajustement ne prend aucun temps : les vecteurs sont déjà produits. Chaque liste nécessite une multiplication du profil avec 2 994 vecteurs.
-
Évaluez-le sur la période de lancement, les deux premières semaines de la nouvelle gamme :
Fenêtre de terminal recs evaluate content --period launchMethod content (content-based: products with text close to the customer's products (embeddings)), launch period (new range)Customers scored: 2,113; trained on events before 2026-05-01recall@10 0.112 (95% interval 0.100 to 0.125), NDCG@10 0.086, MAP@10 0.072, precision@10 0.016, hit rate 14.1%coverage 85.1% of the products on sale, novelty 7.45 bits, diversity 0.57, new products in the lists 6.2%time: fit 0.0 s, suggestions 0.1 s -
Exécutez les tests avec
python -m pytest -q. Vous voyez encore20 passed(20 tests réussis). Les tests de ce module arrivent dans la dernière leçon, avec les méthodes hybrides.
À vous de jouer : une lampe à la couleur marquée
Section intitulée « À vous de jouer : une lampe à la couleur marquée »Changez une seule chose : le produit. Le produit lancé P10122 est une « Arc Terracotta Pendant Light » dans la sous-catégorie Outdoor lights. Avant d’exécuter la commande, faites une prédiction. Parmi ses cinq produits les plus proches selon le texte, combien sont aussi des lampes d’extérieur?
recs similar P10122 --method content --n 5Afficher la réponse
P10122 Arc Terracotta Pendant Light (Outdoor lights, 76.99 dollars) 1. P10259 0.933 Terracotta Metal Cage Pendant (Ceiling lights) 2. P10445 0.912 Hartley Terracotta Glass Schoolhouse Light (Ceiling lights) 3. P12451 0.912 Terracotta Ceramic Candle Lantern (Candles and scents) 4. P12000 0.909 Harbour Terracotta Coastal Table Lantern (Outdoor lights) 5. P12284 0.908 Sora Terracotta Glass Lantern Flush Light (Ceiling lights)Un seul : au rang 4. Les cinq sont des lampes ou des lanternes de couleur terre cuite. Mais trois sont suspendues à l’intérieur de la maison, et une est une lanterne à bougie. Les mots « Terracotta » et « Pendant » comptent plus que l’endroit où la lampe est suspendue. Ce produit fait partie des 29 produits lancés dont le produit le plus proche appartient à une autre sous-catégorie. Pour un client qui veut une lampe pour le jardin, cette liste est proche, mais ne convient pas.
Quand utiliser le contenu, et ce qu’il coûte
Section intitulée « Quand utiliser le contenu, et ce qu’il coûte »Utilisez-le quand l’historique manque ou contient peu de données :
- Nouveaux produits, dès leur premier jour. C’est la principale raison d’utiliser le contenu chez Larkfield.
- Produits avec peu d’acheteurs. Les voisins article-article d’un produit ayant trois acheteurs sont du bruit. Les voisins selon le texte ne le sont pas.
- « Produits similaires » sur une page produit, où un client compare les options. Les voisins selon le texte s’expliquent facilement : « une autre glacière ».
Ne l’utilisez pas seul pour la page d’accueil. Sur la période de test, il trouve moins de commandes que les tendances. Ses listes sont peu variées (diversité 0,59). Les produits les plus proches d’un profil sont souvent du même genre. Il ne sait pas non plus ce qui se vend maintenant : ni saison ni tendance.
Ce qu’il coûte :
- Les vecteurs sont produits une seule fois, en quelques secondes sur un portable, et stockés dans 2,3 Mo. Le calcul des scores ne nécessite aucun entraînement :
fitprend 0,0 seconde. La mémoire maximale atteint 530 Mo, surtout pour le journal du magasin. - Un nouveau produit a besoin de son vecteur avant sa mise en vente. Dans un vrai magasin, le système de catalogue appelle le modèle quand quelqu’un ajoute un produit. Cette étape nécessite le modèle lui-même (un téléchargement de plusieurs centaines de mégaoctets). Ce cours fournit des vecteurs déjà produits, donc il ne construit pas cette étape.
- Le texte décide de tout. Des descriptions médiocres ou copiées donnent de mauvais voisins. Dix titres du catalogue de Larkfield sont identiques pour des produits différents. Les mots de couleur rapprochent des produits sans rapport entre eux.
Erreurs fréquentes
Section intitulée « Erreurs fréquentes »Erreur courante
« Unknown method content » (méthode content inconnue)
Symptôme : recs similar P10020 --method content ou recs evaluate content s’arrête avec :
Unknown method 'content'. Methods: trending, popular-category, als, bpr, cooc, lift, item-cf, user-user, popular, randomCause : le fichier larkfield_recs/methods/content.py n’est pas dans votre projet. Le projet trouve chaque méthode par son fichier.
Solution : faites l’étape 1 de l’exercice guidé, puis exécutez de nouveau la commande.
Erreur courante
Le contenu semble excellent pour les nouveaux clients
Symptôme : le contenu a un recall@10 de 0,151 pour les nouveaux clients, presque aussi bon que les tendances (0,169). Tomás conclut que le texte comprend les nouveaux clients.
Cause : la plupart des nouveaux clients n’ont aucun événement, et la méthode leur donne la liste des tendances. Seuls les nouveaux clients qui ont consulté quelque chose reçoivent une vraie liste par le contenu.
Solution : avant d’attribuer un mérite à une méthode, vérifiez quels clients elle a réellement servis. La prochaine leçon mesure le passage de la popularité aux listes personnelles selon le nombre d’événements.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Larkfield a ajouté un produit ce matin. Pourquoi le filtrage collaboratif article-article ne peut-il pas le suggérer, contrairement au contenu?
Afficher la réponse
Le filtrage collaboratif article-article trouve des voisins grâce aux clients qui ont interagi avec les deux produits. Un nouveau produit n’a aucun événement. Sa colonne dans la matrice est donc vide : il n’a ni voisins ni score. La recommandation par le contenu utilise seulement le texte du produit. Ce texte existe dès le premier jour. Le produit a donc un vecteur dès ce jour et peut être comparé à tous les autres produits. Pendant la période de lancement, ALS et les tendances n’ont montré aucun des 240 produits lancés. La recommandation par le contenu en a montré 182.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Dans le petit exemple, un client a commandé le sac isotherme (0,87, 0,49) et consulté le coussin (0,20, 0,98). Pourquoi la glacière obtient-elle un score plus élevé que le coussin pour ce client?
Afficher la réponse
Le profil est la somme pondérée des vecteurs : 5 × le sac isotherme (une commande) + 1 × le coussin (une consultation). Cela donne (4,55, 3,43), soit environ (0,80, 0,60) pour une longueur de 1. La commande pèse cinq fois plus que la consultation. Le profil pointe donc dans une direction proche de celle du sac isotherme. La glacière pointe presque dans la même direction que le sac isotherme. Sa similarité cosinus avec le profil est donc élevée : 0,95 × 0,80 + 0,31 × 0,60 = 0,95. Le coussin obtient 0,75.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
La recommandation par le contenu montre 84,1 % des produits en vente, contre seulement 0,3 % pour les tendances. Larkfield devrait-elle remplacer les tendances par le contenu sur la page d'accueil? Utilisez les chiffres de la période de test.
Afficher la réponse
Non, pas par le contenu seul. Le contenu retrouve moins de commandes : son rappel à 10 (recall@10) est de 0,119, contre 0,156 pour les tendances. Il est aussi plus faible pour les clients occasionnels et fidèles. Ses listes manquent de variété (diversité de 0,59), et il ne tient pas compte de la saison. Ses forces sont la couverture et les nouveaux produits : il place 182 des 240 produits lancés dans la liste d’un client. Un meilleur plan utilise le contenu quand l’historique manque et le combine avec d’autres méthodes. C’est ce que font les deux prochaines leçons.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- Les méthodes qui apprennent de l’historique ne montrent aucun des 240 produits lancés le 1er mai : un nouveau produit n’a aucun événement.
- Un plongement (embedding) est une liste de nombres qu’un modèle de langage crée à partir d’un texte. Des textes semblables donnent des vecteurs proches. Les 2 994 produits de Larkfield ont chacun 384 nombres, calculés une seule fois et fournis dans un fichier de 2,3 Mo.
- La similarité cosinus de vecteurs de longueur 1 : multipliez les nombres correspondants, puis additionnez les résultats. Le profil d’un client est la somme pondérée des vecteurs de ses produits.
- Les voisins trouvés par le texte ressemblent au produit. Les voisins trouvés grâce aux clients sont les produits que les mêmes personnes achètent. Les mots de couleur peuvent rapprocher un lit d’un fauteuil.
- Pendant la période de test,
contenta un recall@10 de 0,119 et une couverture de 84,1 %. Pendant la période de lancement, il montre 182 produits lancés, mais retrouve seulement 1,5 % des commandes de nouveaux produits. - Votre projet contient maintenant
methods/content.py.
Le contenu montre de nouveaux produits, mais il ne sait pas lesquels les gens achèteront. Il ne fait rien non plus pour un client sans événements. Vous examinerez ensuite les deux types de démarrage à froid ensemble.
Leçon suivante : Démarrage à froid pour les nouveaux produits et les nouveaux clients