Modéliser la diversité au cours du temps pour détecter le contexte dans un service de musique en ligne

RÉSUMÉ. De nombreuses études ont démontré que la prise en compte du contexte améliore la qualité des systèmes de recommandation. Cependant, les méthodes traditionnelles permettent d’inférer le contexte à l’aide de données personnelles (localisation, date, âge, etc.). Dans ce papier, nous proposons de détecter automatiquement les changements de contexte, sans connaissance sur les utilisateurs (contexte explicite), mais en fonction des caractéristiques communes aux items consultés (contexte implicite). Pour ce faire, nous proposons un modèle formel capable d’établir une correspondance entre les variations de diversité au cours du temps dans les parcours des utilisateurs et les changements de contexte. Ce modèle a été testé sur un corpus musical de plus de 200 000 écoutes. Pour valider la pertinence de notre modèle, nous avons cherché à retrouver des événements à partir des changements de contexte détectés : notre modèle a ainsi permis de retrouver 88% des fins de session. ABSTRACT. Many studies have shown that taking into account the context improves the quality of recommender systems. However, traditional methods infer the context using personal data (location, date, age, etc.). In this paper, we propose to automatically detect context changes, without knowledge on users (explicit context), but based on common features of consulted items (implicit context). To do this, we propose a formal model which can establish a correspondence between the variation of diversity over time within the paths of users and context changes. This model has been tested on a musical corpus of more than 200,000 tracks. To validate the re-levance of our model, we sought to retrieve events from the detected changes of context: our model has recovered 88% of session ends.