Systèmes de recommandation dans le domaine du casino
Introduction
Après de nombreux tests sur des jeux de données restreints la principale problématique a été le passage à lâéchelle 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 dâune approche item based et collaborative. Dâautres 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 sâest 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 dâaméliorer les performances du modèle actuel basé sur Light FM que ce soit en terme dâhyper-optimisation des paramètres ou la construction dâun score implicite dâappétence pour les jeux disponibles.
Revoir le live :
