Introduction à la recommandation par Factorisation ou Complétion

Description

L'objectif de ce dépôt est d'étudier les articles suivants:

• Introduction aux méthodes
• Factorisation par matrices non négatives NMF
• Bibliothèque NMF

Organisation du dépôt

• Etude: Le document relatif à notre étude sont disponibles dans le dossier pdf: (Filtrage_collaboratof)[https://github.com/Qufst/Filtrage_collaboratif/tree/main/pdf]
• Source LaTeX: Le fichier LaTeX original utilisé pour générer le rapport se trouve dans le dossier tex
• Codes Python: Les scripts Python utilisés dans notre étude sont disponibles dans le dossier python. On a décidé de séparer l'étude de la base de donnée réelle Netflix de notre éxemple construit à la main pour l'explication puisque la cross-validation sur la base de données Netflix a un temps de calcul de plusieurs heures. De plus, la base de données Netflix étant trop grande pour github, pour la reproductibilité du code veuillez récupérer la base de données manuellement:dataset, et modifier les paths.

On retrouve les dépendances du projet dans le fichier 'requirements.txt'. les prérequis incluent:

• numpy
• pandas
• matplotlib
• scikit-learn (pour NMF, cosine_similarity, pairwise_distances, SimpleImputer, KFold, silhouette_score, mean_squared_error et TruncatedSVD)
• fancyimpute (pour SoftImpute)
• seaborn
• time

Compilation du rapport

Pour générer le rapport, un compilateur LaTeX est nécessaire. Vous pouvez utiliser un outil comme Overleaf pour la compilation en ligne.

Auteurs: Lahjiouj Aicha, Dias Pierre, Festor Quentin