L’une des présentations les plus intéressantes de la conférence RecSys 2018 a sans nul doute été pour moi le travail sur l’inaction réalisé par Qian Zhao, Martijn Willemsen, Gediminas Adomavicius, F. Maxwell Harper et Joe Konstan (le titre complet en est « Interpreting User Inaction in Recommender Systems« ).
Dans le domaine de la Data Science et en particulier des systèmes de recommandation, nous sommes tellement concentrés sur l’interprétation des signaux implicites ou explicites que nous oublions de tenir compte de l’absence de signal. Pourtant, comme le montre ce travail de recherche, l’absence de signal est déjà un élément d’information en soi et peut parfois faire la différence. Comme l’affirment à juste titre les auteurs : « pour la plupart des systèmes, la majorité des éléments affichés ne suscitent aucune action de la part des utilisateurs » (ce qui devrait faire réfléchir ceux qui les créent).
Accorder plus d’attention à l’interprétation de l’inaction peut donc se révéler être une stratégie gagnante en matière de design de systèmes de recommandation.
Segmentation des utilisateurs de Discover Weekly sur Spotify
La présentation de Zhao et collègues a permis de faire un lien intéressant avec la présentation de Spotify lors de la première journée de RecSys à l’occasion de laquelle la segmentation des utilisateurs de Spotify utilisant « Discover Weekly » avait été révélée. Sur la base de leurs actions, Jean Garcia-Gathright a ainsi montré que le groupe d’utilisateurs le plus important était celui qui n’interagissait PAS avec les recommandations. Ceci n’étonnera a posteriori personne mais il est utile de le rappeler afin de ne pas perdre de vue cette évidence importante.
« Pour la plupart des systèmes, la majorité des éléments affichés ne suscitent aucune action de la part des utilisateurs »
7 catégories d’inactions
La principale contribution du travail de Zhao et collègues est de proposer une catégorisation des inactions et de tester les corrélations des antécédents de l’inaction sur les recommandations futures.
Les auteurs ont utilisé des concepts issus de la psychologie pour définir et valider une liste de catégories d’inaction couvrant les raisons de ne pas consommer les recommandations. Ces catégories sont (par ordre décroissant d’importance) :
- « Non Remarqué » : l’utilisateur n’a pas remarqué la recommandation (38,6%)
- « Pas maintenant » : absence de contexte idoine pour la consommation de la recommandation (18,2 %)
- « Déjà vu » : titre recommandé déjà consommé par l’utilisateur (14,6%)
- « L’autre est mieux » : effets de la concurrence d’autres titres recommandés (9,5 %)
- « A voir plus tard » : besoin d’explorer plus tard pour obtenir plus d’information afin de prendre une décision (6,9 %)
- « Pas à mon goût » : ne correspond pas au goût de l’utilisateur (5,8 %)
- « décidé à regarder » : la décision de l’utilisateur est déjà prise (5.8%)
Compte tenu de leur poids combiné (plus de 50% des cas), l’attention (« non remarqué ») et le contexte (« pas maintenant ») doivent faire l’objet d’une attention particulière et être pris en compte lors de la conception des systèmes de recommandation.
Catégories d’inaction et leurs corrélations respectives avec les recommandations
Des actions explicites peuvent aider à prédire l’inaction
L’étude s’est ensuite attachée à investiguer les corrélations entre une série d’actions explicites (évaluation d’un film, clic sur une recommandation, mise en favori ou dans une playlist, etc.) et les différentes catégories d’inaction. Le but est bien entendu de prédire à partir d’une action explicite pourquoi un utilisateur est resté inactif.
L’ensemble du tableau des corrélations est disponible dans l’article (Tableau 2). Je vais donc me contenter de donner quelques exemples concrets :
- Lorsque la probabilité que l’utilisateur donne une note à un film est élevée, la probabilité qu’il l’ait regardé auparavant augmente
- Lorsque la probabilité qu’un utilisateur donne une note à un film est élevée, la probabilité qu’il l’explore plus tard est faible
Les deux exemples ci-dessus font sens mais semblent également un peu « évidents ». D’autres résultats sont beaucoup plus difficiles à interpréter, voire contradictoires.
Conclusions principales
Les principales conclusions à retenir de cette étude sont les suivantes :
- l’inaction est un signal comme un autre qu’il peut être utile de prendre en compte lors de la conception de systèmes de recommandation
- 7 catégories d’inaction ont été identifiées
- la raison de l’inaction de l’utilisateur peut être inférée à partir de ses actions
Image : shutterstock
Publié dans Data et IT, Recherche.
