Moteurs de recommendation avec Neo4j et GraphAwareReco

Moteurs de recommandation

avec Neo4j

Qui moi être ?

• Christophe Willemsen• Software Engineer | Certified Neo4j Expert @GraphAware• Bruges (Belgique)

Recommandations : Vue globale

• Des nouvelles que vous pourriez lire• Des livres que vous pourriez acheter• Des personnes que vous pourriez connaître• Des personnes que vous pourriez inviter• Personnes à qui vous pourriez présenter votre produit• …

Types principaux de recommandation

• Basé sur le contenu (features)• Filtrage collaboratif (relations utilisateur -‐> élément)

La bonne nouvelle

Les features tout comme les relationspeuvent être représentées naturellement

dans un graphe.

La bonne nouvelle

La logique de recommendation peut être représentée en traversée dans le graphe.

Exemple

Recommandation : Business Side

Identification des règles métier afin de fournir

de la recommandation

Exemple


Recommander à Alice les films vus par les personnes qui ont noté les mêmes films qu’elle ET qu’elle n’a pas encore noté.

Votre première requête de reco


Si le film fait partie d’un Genre qui intéresseAlice, augmenter le score de 1

Votre deuxième première requête de reco(la deuxième quoi)

La vraie vie c’est compliqué…

Les spécificités de moteur de recommandations dans le monde réel sont

beaucoup plus complexes.


Imaginez que vous devez implémenter la fonctionnalité

“Personnes que vous pourriez connaître” sur LinkedIn


Après une session de brainstorming, votre équipe a défini les différentes possibilités pour trouver des personnes que quelqu’un

pourrait connaître.

La vraie vie c’est compliqué…• Contacts en commun• Amis Facebook en commun• Contacts email/mobile en commun• Les contacts de tous vos contacts• A travaillé pour la même entreprise• A étudié à la même école• Partagent le même intérêt• Vivent dans la même ville


Mais c’est seulement le début ! Revenons en arrière et regardons

cela de plus près!


Plus de contacts en commun :

plus rélévant?


Même ville ou école :

Est-‐ce que la taille compte ?


Qu’est-‐ce qu’on fait avec les é-‐mails quine représentent pas une personne ?

On recommande [email protected] ?


Et on fait quoi avec les contacts

qui sont en attente ?qui sont rejetés ?

qui sont ignorés tout le temps ?


Etapes de base d’un moteur de reco

• Trouver • Qualifier• Supprimer les non rélévants•Mesurer la qualité

#GraphAwareRecoThe Open-‐Source Recommendation Engine Skeleton

GraphAwareReco

• Plugin pour Neo4j (utilise GraphAware Framework)• Vous pouvez utiliser Cypher ou n’importe quel langage JVM• Architecture opnionated• Ultra rapide• Ultra flexible• Se charge de toute la glue

GraphAwareReco

Votre premier moteur de reco.. yeahhh

Votre premier moteur de reco

Imaginons qu’on a un graphe de personnes.

Votre premier moteur de reco

Notre intention est de recommander des personnes que vous pourriez être ami avec :

• Plus d’amis en commun => meilleur score• Vivent dans la meme ville => plus de rélévance• Même sexe => meilleure chance• Pénaliser la différence d’âge• Ceux qui sont déjà amis ne doivent pas être recommandés

Découverte!

Qualification (score) : même ville

Qualification (score) : même sexe

Qualification (score) : pénaliser différence âge

Blacklists et filtres

On pourrait créer une blacklist pour ne pas retourner les Personnes déjà connectées de la même manière que les PostProcessors, mais on va utiliser une fonctionalité toute

prête.

Et on colle tout ensemble

La suite ?

#GraphAidedSearchElasticSearch and Graphs.The best of both worlds

#GraphAidedSearchProcessus qui permet de trouver les résultats les plus rélévants d’une requête de recherche en combinant les scores de rélévance fournis par un moteur de recherche avec ceux produits par un moteur de recommandation.

GraphAidedSearch

Questions ?

#MerciTwitter : @ikwattro -‐ @graph_aware

http://graphaware.comhttps://github.com/graphaware

Moteurs de recommendation avec Neo4j et GraphAwareReco

Software

Transcript of Moteurs de recommendation avec Neo4j et GraphAwareReco