Données connectées et recommandations

Présentation 9ème meetup graph-database neo4j France
http://www.meetup.com/graphdb-france/events/125411682/

"Avec les bases relationnelles, nous avons été habitués à penser les données et les applications de façon cloisonnée. Maintenant que les graphes sont accessibles à tous, il est temps de changer de vision, et d’aller au-delà des limitations artificielles auxquelles nous nous sommes accoutumées.

Quand on parle de graphe, on pense d’abord aux réseaux sociaux, et à la recommandation d’amis, avant de se rendre compte que le graphe fournit un moteur de recommandation beaucoup plus général.

Lors de ce meetup, on va encore aller plus loin, et essayer de comprendre ce que la phrase “everything is a graph” signifie vraiment pour vos données."

Transcript

1. Données connectées & Recommandations Amine BENHENNI Kernix Lab
2. Kernix 12 ans d’existence 35 collaborateurs 10 livres publiés Dev web et mobile Hébergement SEO Kernix Lab : agréé CIR Lauréat de 3 AAP nationaux Lauréat 5ième call Eurostars Lauréat 3ième Dataconnexions (Etalab) Avec Nous faisons :
3. Kernix Lab Graphe Vecteurs Sémantiques Tracking « Ces technologies ont pour objectifs de permettre le suivi, l’optimisation et l’amélioration des performances des sites de nos clients (notamment avec la recommandation) » Nos axes de recherches principaux : Le Kernix Lab recrute (CDI, alternances, stages)
4. Les données sont connectées
5. Classer dans des cases ... Pas très souple !
6. Décloisonner avec le NoSQL
7. Décloisonner avec le NoSQL Place au graphe !
8. Pas un tutoriel sur neo4j ni cypher … pas le temps L Sinon « neo4j » sur google groups
9. Recommandation ?
11. Filtrage d'informations Notion de découverte L'utilisateur sait ce qu'il cherche Recherche Recommantion
12. Filtrage Collaboratif
14. B ? 1 1 1 ?
15. item 1 item 2 item 3 item 4 item 5 A 1 1 1 B 1 1 1 C 1 1 . . . . . . Matrice Utilisateurs - Produits Algèbre Linéaire
16. item 1 item 2 item 3 item 4 item 5 A 1 1 1 B 1 1 1 C 1 1 . . . . . . Matrice Utilisateurs - Produits Algèbre Linéaire Pas ce soir !
17. A 1 1 1 0 0 B 0 1 1 1 0 1 1 = 2 Produit scalaire = Nombre de produits en commun Personnes aux goûts similaires
18. Plus simple sur un graphe !
19. 2 éléments communs
20. Prédiction de liens probables
21. L’information est dans la structure des relations
22. Traverser le graphe, explorer le « voisinage » « user based » Que me recommandent les utilisateurs qui ont mes goûts « item based » Quels produits reviennent souvent ensemble dans les paniers
23. Approche locale J’utilise uniquement l’information dont j’ai besoin
24. Un système par cas d’usage Limite technique : calcul matriciel avec trop de dimensions Approche globale Je dois passer par tout le monde pour chacun Pourtant matrice creuse très souvent !
25. Approche ensembliste, je compte les objets en communs Mesurer la similarité Suffisant ? Normaliser par les degrés Jaccard Adamic-Adar Prendre en compte popularité Même nombre de liens en communs Pas nécessairement la même valeur
26. Filtrage par Contenu
28. Filtrage hybride
34. Je combine différentes prédictions Je ne cherche pas à prédire de scores Je ne m’intéresse pas à l’ordre des résultats Quelle est la meilleure combinaison ? Test Modèle Données +
35. Absents des résultats Résultats Résultats « incorrects » Validation Précision = Résultats corrects Résultats Rappel = Résultats corrects Validation
36. Enrichir le graphe des données
37. Le graphe derrière la matrice matrice user-item = graphe d’interaction matrice similarité = graphe de similarité Moduler les similarités avec des Kernels K(x,y) = 1 pour Sim(x,y) > Seuil K(x,y) = 0 sinon
38. Enrichir les données avec le graphe
39. Centralités Nous renseigne sur la « valeur » des nœuds au sein du graphe
40. PageRank de Google
41. betweenness closeness degree eigenvector Merci Wikipédia
42. Existe-t-il d’autres mesures locales? Il faut parcourir tout le graphe. On perd l’avantage de l’approche locale Centralités n’évoluent pas vite généralement
43. deg(k) 4 3 3 2 . . . k 1 2 3 4 . . . Classement par ordre décroissant Lobby Index Profondeur de 2
44. Clusterisation sur le graphe
45. Détection de communauté
46. Propagation de labels Graphe obtenue avec méthode des Kernels Clusterisation par le graphe
47. L'universalité du graphe
48. CRM
49. Recommandation universelle Recommandation de produits Recommandation de personnes Personnalisation de contenu Recherche de prospects ...
50. Avec un graphe de données unique !