Recommandation diversifiée via des processus ponctuels déterminantaux sur des graphes de connaissances

Les systemes de recommandation top-N sont utilises dans de nombreux domaines et interessent autant les industriels que les chercheurs. Alors que l'amelioration de la prediction de la pertinence des recommandations a fait l'objet de nombreuses recherches, d'autres facettes du probleme comme la diversite ou l'explicabilite ont ete moins abordees. Dans cet article, nous proposons une approche permettant d'ameliorer la diversite tout en assurant un compromis avec la pertinence. Notre approche, DivKG, combine des graphes de connaissances et des Processus Ponctuels Determinantaux (DPP). Les relations entre utilisateurs, items et autres entites, capturees par un graphe de connaissances, sont representees via des plongements de graphes. Les vecteurs obtenus sont utilises pour construire la matrice noyau des DPP, qui generent des recommandations diversifiees. Notre approche obtient de meilleurs resultats que l'etat de l'art sur un jeu de donnees de recommandation de films. Cet article est un resume en francais de Gan et al. (2020), article court de la conference SIGIR 2020.