• YouTube Is Still Struggling To Rein In Its Recommendation Algorithm
    https://www.buzzfeednews.com/article/carolineodonovan/down-youtubes-recommendation-rabbithole

    Despite year-old promises to fix its “Up Next” content recommendation system, YouTube is still suggesting conspiracy videos, hyperpartisan and misogynist videos, pirated videos, and content from hate groups following common news-related searches.

    #youtube #algorithme #recommendation #merde


  • Deep Learning for Recommendation with Keras and TensorRec
    https://hackernoon.com/deep-learning-for-recommendation-with-keras-and-tensorrec-2b8935c795d0?s

    With the release of TensorRec v0.21, I’ve added the ability to easily use deep neural networks in your recommender system.For some recommender problems, such as cold-start recommendation problems, deep learning can be an elegant solution for learning from user and item metadata. Using TensorRec with Keras, you can now experiment with deep representation models in your recommender systems quickly and easily.ImplementationIn a TensorRec model, the components that learn how to process user and item features are called the “representation graphs” (or “repr” for short). These graphs convert high-dimensional user/item features, such as metadata and indicator variables, into low-dimensional user/item representations.The TensorRec recommender system.Define your model’s representation graphs as a (...)

    #deep-learning #tensorflow #machine-learning #data-science #recommendation-system


  • 10 Best Selling Online Personalized Recommendation Engines
    https://hackernoon.com/10-best-selling-online-personalized-recommendation-engines-9a7972b6310c?

    Online Product Recommendation Engine — What Is It?An online product recommendation engine is an artificial intelligence technology based #ecommerce tool that enhances shopping experience for customers and key metrics for online store owners. An ecommerce product recommendation engine has larger applications in the fashion industry where visuals direct the buying decision of a customer.What Does an eCommerce Personalization Engine Do?An online product recommendation engine also known as an ecommerce personalization engine, gives product cues that are visually related to their current product choices. It helps customer pick the right fashion apparel with a slightly different cut, model, color, pattern or size from their original choice.Tailor Made for Each Individual CustomerOnline stores not (...)

    #sales #online-selling #recommendation-engine #recommendation-system


  • Comment YouTube s’est transformé | InternetActu.net
    http://www.internetactu.net/a-lire-ailleurs/comment-youtube-sest-transforme
    /assets/images/logo_ia.png

    Longtemps, en matière de personnalisation, YouTube est resté assez timide : l’utilisateur pouvait s’abonner à des chaînes… et c’était à peu près tout. Le temps moyen passé sur YouTube ne progressait guère. Désormais (au grand drame des youtubeurs d’ailleurs), les chaînes ne dominent plus YouTube. Quand vous ouvrez YouTube, quelques recommandations proviennent encore des chaînes auxquels vous vous êtes abonnés, mais pas l’essentiel. Il vous recommande plutôt des vidéos selon des critères d’audience, de fraîcheur des contenus ou de centre d’intérêts liés aux mots clefs qui les indexent. Petit à petit, YouTube a modifié ses outils de recommandation dans le but d’augmenter le temps moyen que chacun passe à regarder des vidéos.

    Ce changement et cette réussite, YouTube le doit à Google Brain, la division intelligence artificielle de Google, à laquelle YouTube a recours depuis 2015. Alors que YouTube a longtemps recommandé des vidéos très similaires (d’autres vidéos d’un même compte ou d’un même humoriste par exemple), l’apprentissage automatisé a permis d’élargir la recommandation. Pour cela, YouTube a développé la catégorisation des vidéos (un peu comme Netflix et ses générations de catégories à la volée que décodait Ian Bogost…). Si pour l’instant elles ne semblent pas générées automatiquement, les catégories permettent de recommander des vidéos adaptées : recommander une vidéo politique à quelqu’un qui regarde de la politique par exemple.

    Google Brain s’est mis aussi à recommander des vidéos plus courtes à ceux qui se connectent à YouTube depuis un mobile et plus longues à ceux qui se connectent depuis un écran de télévision. YouTube a réalisé quelque 190 changements en 2016 et il devrait en réaliser plus de 300 cette année. Des tas de petites améliorations qui s’ajoutent les unes aux autres au fil du temps. Il a également adopté un fonctionnement plus rapide qui permet de mieux repérer les vidéos les plus récentes et identifier les vidéos virales pour mieux les recommander. Brain a eu un très fort impact : 70 % du temps passé sur YouTube est le fait des recommandations algorithmiques, estiment ses promoteurs.

    Ce qui a tout changé, explique Jim McFadden, le responsable technique des recommandations de YouTube, c’est quand le moteur de recommandation a décidé de baser ses recommandations algorithmiques non pas sur le nombre de personnes ayant cliqué sur une vidéo, mais sur le temps que les gens passaient à la regarder, le fameux time watch. Le temps passé sur YouTube a alors augmenté de 50 % par an (et ne cesse d’augmenter à un rythme soutenu). Pour YouTube, le fait de regarder une vidéo est devenu un indicateur de sa qualité, tout comme le nombre de liens pointant vers une page a été le critère principal de qualité du pagerank de Google Search.

    Pour Todd Beaupre, responsable de la découverte chez YouTube, le moteur de recommandation de YouTube réussit à la fois à croiser ce que vous avez déjà aimé (essentiellement les catégories liées aux contenus sur lesquels vous avez passé du temps) avec ce qui est à la mode et populaire (lié aux mêmes catégories).
    Plutôt que d’élargir les choix, beaucoup reprochent à YouTube d’être très enfermant, notamment du fait de son choix de recommander ce que d’autres ont également regardé et sur lequel ils ont passé du temps. Ces choix de conception ne sont pas sans biais

    C’est moi qui souligne :

    La popularité et l’ addictivité semblent être devenues des critères forts de la recommandation chez YouTube, plus fort que la personnalisation déterminée par les like et dislike (qui semblent n’avoir plus aucun impact), les abonnements ou l’historique de navigation.

    En fait, tous les algorithmes des médias sociaux se désintéressent des choix de l’usager. Ainsi quand on suit une Page de Facebook, cela ne veut aucunement dire que l’on reçoit des informations de nouveautés sur cette page...

    En fait, ce n’est plus la « bulle de filtre » composée de notre réseau social qui est en jeu, mais une « bulle individuelle fabriquée par algorithme ». Le Meilleur des mondes quoi.

    #YouTube #Recommendation #Algorithme


  • At C.D.C., a Debate Behind #Recommendations on Cellphone Risk
    http://www.nytimes.com/2016/01/02/technology/at-cdc-a-debate-behind-recommendations-on-cellphone-risk.html

    When the Centers for Disease Control and Prevention published new guidelines 18 months ago regarding the radiation risk from cellphones, it used unusually bold language on the topic for the American health agency: “We recommend caution in cellphone use.”

    The agency’s website previously had said that any risks “likely are comparable to other lifestyle choices we make every day.”

    Within weeks, though, the C.D.C. reversed course. It no longer recommended caution, and deleted a passage specifically addressing potential risks for children.

    Mainstream scientific consensus holds that there is little to no evidence that cellphone signals raise the risk of brain cancer or other health problems; rather, behaviors like texting while driving are seen as the real health concerns. Nevertheless, more than 500 pages of internal records obtained by The New York Times, along with interviews with former agency officials, reveal a debate and some disagreement among scientists and health agencies about what guidance to give as the use of mobile devices skyrockets.

    #téléphone_Portable #cellulaire #santé #enfants


  • Spotify possède 6 ans de mes données musicales,... - A lire ailleurs
    http://alireailleurs.tumblr.com/post/107969758745/spotify-possede-6-ans-de-mes-donnees-musicales

    Brian Whitman a également un autre signé un autre article passionnant sur la recommandation musicale, qui distingue les techniques pour favoriser la découverte musicale (la similitude, la recommandation personnalisée, la génération de playlists). Il explique très bien les différences de formes de recommandation entre la plupart des services musicaux. Pandora s’appuie surtout sur des sondages auprès de spécialistes de la musique. Songza sur les playlists des fans et des éditeurs. Last.fm sur les tags et les données d’activités des artistes et chansons ainsi que sur une analyse acoustique des titres. Amazon sur les achats et l’historique de navigation. iTunes Genius sur les achats et les données d’iTunes. EchoNest sur l’analyse acoustique et l’analyse de texte… Autant d’exemples qui montrent qu’il y a de nombreuses approches possibles de la recommandation passant par les données d’activité, l’examen critique ou éditorial (des données elle-mêmes), l’analyse acoustique ou l’analyse de texte.

    Cela pose de nombreux problèmes, notamment d’échelle. Pour faire de bonnes recommandations, il faut une grande base d’artistes et de musiques. Et cela ne peut plus se faire à la main. Wikipédia ne propose que 130 000 pages sur les artistes. Pandora a mis 10 ans pour franchir la barre de 1 millions de chansons et ne connaît la plupart pas les nouveaux artistes. EchoNest, lui, suis plus de 2 millions d’artistes et 30 millions de chansons. L’analyse des données d’activité souffre également d’un problème d’échelle, qui vise à vous recommander le plus simple, le plus évident. Pour Brian Whitman, la pathologie du filtrage repose souvent sur le manque de données pour les artistes les moins populaires. Whitman explique que pour remédier à cela EchoNest explore le web en permanence pour chercher de l’information sur la musique et analyser le texte qui s’y réfère pour comprendre les associations et les descriptions de la musique. La quantité des conversations sert également à informer la popularité de l’artiste et des chansons. Mais cela ne suffit pas. EchoNest utilise aussi l’analyse acoustique. Seule, cette analyse génère la plupart du temps de très mauvaise recommandations, mais les ordinateurs savent bien reconnaître le tempo, les instruments, la mélodie dominante. Les utilisateurs attendent une recommandation culturelle que l’analyse du signal seul, ne sait pas proposer. Mais cela permet de mieux programmer la succession des chansons dans une playlist par exemple. Brian Whitman explique finalement très bien que le filtrage algorithmique n’a de ses que s’il est associé à un filtrage culturel, lui aussi automatisé.

    #recommendation #intelligence_artificielle #musique