Adamou HAMZA

Time and content aware implicit social influence estimation to enhancetrust-based recommender systems.

Armel Jacques Nzekon Nzeko’o, Hamza Adamou, Thomas Messi Nguélé, Bleriot Pagnaul Betndam Tchamba

Revue Africaine de la Recherche en Informatique et Mathématiques Appliquées

submission to Episciences Nowadays, e-commerce, streaming and social networks platforms play an important role in our daily lives. However, the ever-increasing addition of items on these platforms (items on Amazon, videos on Netflix and YouTube, posts on Facebook and Instagram) makes it difficult for users to select items that interest them. The integration of recommender systems into these platforms aims to offer each user a small list of items that match their preferences. To improve the performance of these recommender systems, some work in the literature incorporate explicit or implicit trust between platform users through trust-based recommender systems. Indeed, many of these works are based on explicit trust, when each user designates those whom they trust in the platform. But this information is rare in most real-world platforms. Thus, other work propose to estimate the implicit trust that each user can grant to another. However, work that estimates implicit trust does not take into account the temporal dynamics of users' past following actions and even less the fact that a user can influence another on one category of item and not on another. In this paper, we propose time and content aware strategies to estimate social influence of one user on another. The resulting time and content aware implicit trust are integrated to trust-based recommender systems build on K-Nearest Neighbors (KNN) and Graph-based techniques. Experiments done for rating predictions with KNN and Top-N recommendations with Graph model show that time and content aware implicit trust make it possible to improve the performance of the KNN according to the RMSE metric by 7% and 10%, and the performance of the graph model according to the NDCG@10 metric by 59% and 08% respectively on the Ciao and Epinions datasets. De nos jours, les plateformes d’e-commerce, de streaming et de réseaux sociaux jouent un rôle important dans notre quotidien. Cependant, l’ajout toujours croissant d’éléments sur ces plateformes (articles sur Amazon, vidéos sur Netflix et YouTube, publications sur Facebook et Instagram) rend difficile pour les utilisateurs de sélectionner les éléments qui les intéressent. L'intégration de systèmes de recommandation dans ces plateformes vise à proposer à chaque utilisateur une petite liste d'éléments correspondant à ses préférences. Pour améliorer les performances de ces systèmes de recommandation, certains travaux de la littérature intègrent une confiance explicite ou implicite entre les utilisateurs de la plateforme via des systèmes de recommandation basés sur la confiance. En effet, nombre de ces travaux reposent sur une confiance explicite, lorsque chaque utilisateur désigne ceux en qui il a confiance dans la plateforme. Mais ces informations sont rares sur la plupart des plateformes du monde réel. Ainsi, d'autres travaux proposent d'estimer la confiance implicite que chaque utilisateur peut accorder à un autre. Cependant, les travaux qui estiment la confiance implicite ne prennent pas en compte la dynamique temporelle des actions passées des utilisateurs et encore moins le fait qu'un utilisateur peut en influencer un autre sur une catégorie d'item et pas sur une autre. Dans cet article, nous proposons des stratégies sensibles au temps et au contenu pour estimer l'influence sociale d'un utilisateur sur un autre. La confiance implicite qui en résulte, consciente du temps et du contenu, est intégrée aux systèmes de recommandation basés sur la confiance, construits sur les K-Nearest Neighbours (KNN) et les techniques basées sur les graphiques. Les expériences réalisées pour les prédictions de notation avec KNN et les recommandations Top-N avec le modèle Graph montrent que la confiance implicite consciente du temps et du contenu permet d'améliorer les performances du KNN selon la métrique RMSE de 7% et 10%, et les performances du modèle graphique selon la métrique NDCG@10 de 59% et 08% respectivement sur les jeux de données Ciao et Epinions.

• #opinion dynamics and social influence
• #media influence and health
• #complex network analysis techniques
• #recommender system

Time Aware Implicit Social Influence Estimation to Enhance Recommender Systems Performances

Armel Jacques Nzekon Nzeko’o, Hamza Adamou, Thomas Messi Nguélé, Bleriot Pagnaul Betndam Tchamba

Communications in computer and information science

• #recommender systems and techniques
• #advanced bandit algorithms research
• #complex network analysis techniques
• #recommender system

Recommender system taking into account the availability forecast of product categories

Armel Jacques Nzekon Nzeko’o, Hamza Adamou, Maurice Tchuenté

Revue Africaine de la Recherche en Informatique et Mathématiques Appliquées

Recommending suitable products to users is crucial in e-commerce and streaming platforms. In some situations, a customer has a preference for a product based on the product features and the current temporal context. It is therefore wise to take these aspects into account in order to improve the quality of the recommendations. In this paper, we propose recommender systems based on the availability prediction of product categories according to the temporal context. Indeed, the classification of the Top-N recommendations proposed by the initial recommender system is updated in such a way as to favor products with categories predicted available. Furthermore, we propose an algorithm for the choice of the appropriate temporal context to consider for the availability prediction of categories. Experiments are carried out on four datasets and comparisons are made on the results of three basic recommender systems with and without integration of availability forecasts, according to the Hit-ratio, MAP and F1-score evaluation metrics. We note that in 75% of cases, to have the best performance, it is necessary to integrate the availabilities prediction of the categories. This gain can even go to more than 12% regardless of the dataset. All this confirms the relevance of our contribution. Recommander des articles appropriés aux utilisateurs est crucial dans les plateformes de commerce électronique et de streaming. Dans certaines situations, un client a une préférence pour un produit en fonction des caractéristiques du produit et du contexte temporel courant. Il est donc judicieux de prendre en compte ces aspects afin d'améliorer la qualité des recommandations. Dans cet article, nous proposons des systèmes de recommandation basés sur la prédiction de disponibilité des catégories des produits en fonction du contexte temporel. En effet, le classement des recommandations Top-N proposées par le système de recommandation initial est mis à jour de manière à favoriser les produits aux catégories prédites disponibles. Par ailleurs, nous proposons un algorithme pour le choix du contexte temporel adéquat à la considération de la prédiction de disponibilité des catégories. Des expérimentations sont menées sur quatre jeux de données et des comparaisons sont effectuées sur les résultats de trois systèmes de recommandation de base avec et sans intégration des prédictions de disponibilité, suivant les métriques d'évaluation Hit-ratio, MAP et F1-score. On constate que dans 75% des cas, pour avoir la meilleure performance, il est nécessaire d'intégrer les prédictions de disponibilité des catégories. Ce gain peut même aller à plus de 12% quel que soit le jeu de données. Tout ceci confirme la pertinence de notre contribution.

• #recommender systems and techniques
• #technology and data analysis
• #advanced text analysis techniques
• #recommender system