Time and content aware implicit social influence estimation to enhancetrust-based recommender systems.

submission to Episciences Nowadays, e-commerce, streaming and social networks platforms play an important role in our daily lives. However, the ever-increasing addition of items on these platforms (items on Amazon, videos on Netflix and YouTube, posts on Facebook and Instagram) makes it difficult for users to select items that interest them. The integration of recommender systems into these platforms aims to offer each user a small list of items that match their preferences. To improve the performance of these recommender systems, some work in the literature incorporate explicit or implicit trust between platform users through trust-based recommender systems. Indeed, many of these works are based on explicit trust, when each user designates those whom they trust in the platform. But this information is rare in most real-world platforms. Thus, other work propose to estimate the implicit trust that each user can grant to another. However, work that estimates implicit trust does not take into account the temporal dynamics of users' past following actions and even less the fact that a user can influence another on one category of item and not on another. In this paper, we propose time and content aware strategies to estimate social influence of one user on another. The resulting time and content aware implicit trust are integrated to trust-based recommender systems build on K-Nearest Neighbors (KNN) and Graph-based techniques. Experiments done for rating predictions with KNN and Top-N recommendations with Graph model show that time and content aware implicit trust make it possible to improve the performance of the KNN according to the RMSE metric by 7% and 10%, and the performance of the graph model according to the NDCG@10 metric by 59% and 08% respectively on the Ciao and Epinions datasets. De nos jours, les plateformes d’e-commerce, de streaming et de réseaux sociaux jouent un rôle important dans notre quotidien. Cependant, l’ajout toujours croissant d’éléments sur ces plateformes (articles sur Amazon, vidéos sur Netflix et YouTube, publications sur Facebook et Instagram) rend difficile pour les utilisateurs de sélectionner les éléments qui les intéressent. L'intégration de systèmes de recommandation dans ces plateformes vise à proposer à chaque utilisateur une petite liste d'éléments correspondant à ses préférences. Pour améliorer les performances de ces systèmes de recommandation, certains travaux de la littérature intègrent une confiance explicite ou implicite entre les utilisateurs de la plateforme via des systèmes de recommandation basés sur la confiance. En effet, nombre de ces travaux reposent sur une confiance explicite, lorsque chaque utilisateur désigne ceux en qui il a confiance dans la plateforme. Mais ces informations sont rares sur la plupart des plateformes du monde réel. Ainsi, d'autres travaux proposent d'estimer la confiance implicite que chaque utilisateur peut accorder à un autre. Cependant, les travaux qui estiment la confiance implicite ne prennent pas en compte la dynamique temporelle des actions passées des utilisateurs et encore moins le fait qu'un utilisateur peut en influencer un autre sur une catégorie d'item et pas sur une autre. Dans cet article, nous proposons des stratégies sensibles au temps et au contenu pour estimer l'influence sociale d'un utilisateur sur un autre. La confiance implicite qui en résulte, consciente du temps et du contenu, est intégrée aux systèmes de recommandation basés sur la confiance, construits sur les K-Nearest Neighbours (KNN) et les techniques basées sur les graphiques. Les expériences réalisées pour les prédictions de notation avec KNN et les recommandations Top-N avec le modèle Graph montrent que la confiance implicite consciente du temps et du contenu permet d'améliorer les performances du KNN selon la métrique RMSE de 7% et 10%, et les performances du modèle graphique selon la métrique NDCG@10 de 59% et 08% respectivement sur les jeux de données Ciao et Epinions.