Ce projet de recherche, réalisé dans le cadre d'un mémoire de fin d'année à l'IAE de Lille, vise à résoudre le problème des "chambres d'écho" dans les systèmes de recommandation de films. L'objectif est de permettre aux utilisateurs de découvrir de nouveaux contenus de manière plus dynamique et moins frustrante.
Utilisation de Réseaux Antagonistes Génératifs (GAN) pour :
- Briser les biais de recommandation traditionnels
- Favoriser la diversité et l'exploration culturelle
- Générer des recommandations plus créatives et inattendues
Gan_recomandation_WithTimestampDemo_recomandation_systemrecomandation_system_CalculDiversityOverTime
Training_Optimized_recommandationGANCalculDiversityOverTime_Optimized_recommandationGANAPP_demo_Optimized_recommandationGAN
- Télécharger les datasets MovieLens
- Placer les fichiers dans le dossier racine
- Pré-entraîner un modèle avant les tests
- Pas de dépendances externes
- Scripts auto-suffisants pour le téléchargement des données
- Modèle à entraîner avant utilisation des scripts de test
Je vous recommande d'utiliser google collab qui permet de générer l'environnement nécessaire au lancement de chaque partie.
Notebook :
- Training_Optimized_recommandationGAN
une fois le model entrainé extrait et join, notebook :
- Demo_recomandation_system
Notre approche combine :
- Apprentissage par réseaux antagonistes
- Analyse de la diversité des recommandations
- Optimisation continue du modèle
Pour plus de détails, consultez le mémoire inclus dans le dépôt Git. Une lecture attentive et une compréhension approfondie sont recommandées.
[MIT]
- Auteur : [Bucamp Axle]
- Tuteur académique : [Dominique Crié]
- Institution : IAE de Lille
Les contributions, retours et suggestions sont les bienvenus sous forme d'issues ou de pull requests.