3 pistes :
- intéractions de type "-1" : ami ou ennemi ?
- architecture
- fonction perte
Notations :
u = utilisateur
i = item
D = domaine commun de représentation
dL = distance de mahalanobis (de paramètre L) dans D
Intéractions -1
- Matrice de confusion des erreurs de prédiction : où sont-elles situées ?
- Apprentissage avec uniquement deux groupes : 1-2-3 (bons) / 0 (mauvais) pas d'amélioration notable
- Apprendre sans les -1 puis les prédire. Distribution des -1 vs. distance à l'utilisateur (normaliser par la distance moyenne au groupe 1-2-3). Deux bosses ?
- t-SNE : choisir un u et ses i positives et représenter dans t-SNE(D)
Architecture & fonction perte
Remplacer la fonction perte par une fonction plus grossière, on affinera ensuite.
On veut i~u. Actuellement il y a des îlots de i et d'autres de u dans D.
- laisser le séparateur comme avant si appris seul, le séparateur oscille autour de 50% de bonne prédiction sans se stabiliser. Pas du gradient trop élevé ?
- rajouter un AutoE ? (pour éviter que u et i soient projetés sur 0)
- rapprocher u et i si intéraction positive. Ne pas les éloigner sinon (pourquoi ?)
- les parties u vers D et i vers D pourraient avoir des vitesses d'apprentissage différentes.
Ensuite
Affiner : 0 << 1<2<3
Utiliser les -1 ? Comment ?