Listes de courses intelligentes basées sur l'application d'algorithmes de partitionnement et de réseaux de neurones récurrents

Bouaoune, Mohamed Achraf (2023). « Listes de courses intelligentes basées sur l'application d'algorithmes de partitionnement et de réseaux de neurones récurrents » Mémoire. Montréal (Québec), Université du Québec à Montréal, Maîtrise en informatique.

Fichier(s) associé(s) à ce document :

Prévisualisation	PDF Télécharger (3MB)

Résumé

La recommandation du prochain panier d’épicerie est une tâche essentielle dans le domaine de l’analyse des données du panier de consommation. Avec la popularité du commerce électronique, la pléthore de produits disponibles et la variété de nouvelles promotions offertes chaque semaine, les clients font face à un défi important consistant à sélectionner les bons produits dans leur panier d’achat afin de répondre à leurs besoins réels. Avec ce contexte, les listes de courses représentent un outil central dans les habitudes d’achat de nombreux clients. Dans ce mémoire, nous présentons un nouveau système de recommandation d’épicerie disponible sur la plateforme CircuitPromo. Notre système en ligne réalise une étape de partitionnement afin de répartir les profils des clients en quatre groupes distincts et utilise différents algorithmes traditionnels d’apprentissage automatique et d’apprentissage profond afin de fournir des recommandations aux utilisateurs en temps réel. Notre algorithme d’apprentissage profond basé sur l’utilisation d’une architecture de réseau de neurones récurrents à portes (GRU) peut être vu comme une extension du DREAM (Dynamic REcurrent bAsket Model) adapté à la classification multi-classes (c’est-à-dire multi-magasins). Parmi les algorithmes d’apprentissage automatique traditionnels, le F-score moyen le plus élevé sur l’ensemble de données considéré (831 clients) a été obtenu à l’aide de Random Forest avec une valeur de 0,516. Notre algorithme d’apprentissage profond a obtenu une performance supérieure avec un F-score moyen de 0,559. Le principal avantage du système présenté ici est de proposer une recommandation indiviualisée et taillée sur-mesure pour chaque client : un modèle d’apprentissage automatique ou d’apprentissage profond distinct est construit pour chaque client considéré. Une telle approche personnalisée nous permet de surpasser les résultats de prédiction fournis par les modèles d’apprentissage profond les plus aboutis. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : apprentissage automatique supervisé, apprentissage profond, partitionnement, forêt d’arbres décisionnels, réseaux de neurones récurrents, système de recommandation

Type:	Mémoire accepté
Informations complémentaires:	Fichier numérique reçu et enrichi en format PDF/A.
Directeur de thèse:	Makarenkov, Vladimir
Mots-clés ou Sujets:	Systèmes de recommandation / Épicerie / Apprentissage supervisé / Apprentissage profond / Partitionnement de données / Forêts d'arbres décisionnels / Réseaux de neurones récurrents
Unité d'appartenance:	Faculté des sciences > Département d'informatique
Déposé par:	Service des bibliothèques
Date de dépôt:	24 nov. 2023 11:28
Dernière modification:	30 nov. 2023 09:25
Adresse URL :	http://archipel.uqam.ca/id/eprint/17188

Modifier les métadonnées (propriétaire du document)

Statistiques