Systèmes de recommandation dans le domaine du casino

Résumé

Introduction

Après de nombreux tests sur des jeux de données restreints la principale problématique a été le passage à l’échelle de la solution tout en conservant les performances atteintes sur les échantillons. La partie optimisation des couts et du temps de calcul a aussi été un défi lors de la mise en production.

Méthodologie

La construction du système de recommandation est basée sur le modèle Light FM qui permet la combinaison d’une approche item based et collaborative. D’autres approches ont été testées lors de la modélisation avec des outils comme Merlin permettant une approche plus orientée Deep Learning. Techniquement la mise en place s’est faite via AWS et Sagemaker.
Originalité / perspective

Les systèmes de recommandation classiques sont principalement basés sur une des 2 grandes méthodes (item based ou collaborative), dans notre cas nous avons choisi une approche combinant les 2 méthodes afin de coller au mieux à notre use case. Des travaux sont toujours en cours afin d’améliorer les performances du modèle actuel basé sur Light FM que ce soit en terme d’hyper-optimisation des paramètres ou la construction d’un score implicite d’appétence pour les jeux disponibles.

Revoir la vidéo :

A propos de l'orateur

Mourad INAN