| Résumé | Les systèmes de filtrage collaboratifs sont des algorithmes de prédiction appliqués à des ensembles de données clairsemés constitués de préférences d'utilisateurs. Nous modifions une grande variété de systèmes de filtrage collaboratifs de pointe pour les rendre invariants par changement d'échelle et translation, et de façon générale améliorer leur précision sans pour cela accroître le coût du traitement. En nous servant à titre d'exemples des ensembles de données EachMovie et Jester, nous montrons que les méthodes qui ne nécessitent pas d'apprentissage, qui présentent une échelle de temps constante et qui sont invariantes par translation surpassent d'au moins 3 % en performances d'autres méthodes à temps constant, sans apprentissage, et qu'elles fonctionnent au moins aussi bien que de coûteuses méthodes à base de mémoire (à 4 % près). Sur l'ensemble de données Jester, nous montrons qu'un algorithme Eigentaste, invariant par changement d'échelle et translation, présente de meilleures performances que Eigentaste 2.0, par un facteur de 20 %. Ces résultats donnent à penser que l'invariance par changement d'échelle et translation est une propriété souhaitable. |
|---|
