English
Recommending suitable products to users is crucial in e-commerce and streaming platforms. In some situations, a customer has a preference for a product based on the product features and the current temporal context. It is therefore wise to take these aspects into account in order to improve the quality of the recommendations. In this paper, we propose recommender systems based on the availability prediction of product categories according to the temporal context. Indeed, the classification of the Top-N recommendations proposed by the initial recommender system is updated in such a way as to favor products with categories predicted available. Furthermore, we propose an algorithm for the choice of the appropriate temporal context to consider for the availability prediction of categories. Experiments are carried out on four datasets and comparisons are made on the results of three basic recommender systems with and without integration of availability forecasts, according to the Hit-ratio, MAP and F1-score evaluation metrics. We note that in 75% of cases, to have the best performance, it is necessary to integrate the availabilities prediction of the categories. This gain can even go to more than 12% regardless of the dataset. All this confirms the relevance of our contribution.
French
Recommander des articles appropriés aux utilisateurs est crucial dans les plateformes de commerce électronique et de streaming. Dans certaines situations, un client a une préférence pour un produit en fonction des caractéristiques du produit et du contexte temporel courant. Il est donc judicieux de prendre en compte ces aspects afin d'améliorer la qualité des recommandations. Dans cet article, nous proposons des systèmes de recommandation basés sur la prédiction de disponibilité des catégories des produits en fonction du contexte temporel. En effet, le classement des recommandations Top-N proposées par le système de recommandation initial est mis à jour de manière à favoriser les produits aux catégories prédites disponibles. Par ailleurs, nous proposons un algorithme pour le choix du contexte temporel adéquat à la considération de la prédiction de disponibilité des catégories. Des expérimentations sont menées sur quatre jeux de données et des comparaisons sont effectuées sur les résultats de trois systèmes de recommandation de base avec et sans intégration des prédictions de disponibilité, suivant les métriques d'évaluation Hit-ratio, MAP et F1-score. On constate que dans 75% des cas, pour avoir la meilleure performance, il est nécessaire d'intégrer les prédictions de disponibilité des catégories. Ce gain peut même aller à plus de 12% quel que soit le jeu de données. Tout ceci confirme la pertinence de notre contribution.