Recommandation dynamique contextuelle pour le site e-commerce de Louis Vuitton

Ces dernières années, l’utilisation des systèmes de recommandation est devenue de plus en plus courante, jusqu’à devenir presque omniprésente lors des navigations sur le web. Sur les plateformes de streaming, par exemple, les recommandations se basent sur l’historique de visionnage de l’utilisateur mais également sur les préférences qu’il exprime à travers de notes. De nombreux secteurs ont recours à ce type de système et le e-commerce ne fait pas exception puisque leur utilisation permet notamment l’amélioration de l’expérience utilisateur ainsi que l’optimisation des performances (taux de clics, panier moyen ).

Plusieurs méthodes existent, les algorithmes de bandits manchots offrent l’avantage d’un équilibre entre exploitation (recommander des produits qui ont très bien fonctionné jusqu’à présent) et exploration (recommander des produits qui ont été jusqu’alors peu recommandés). Ceci est adapté dans un contexte où les changements d’utilisateurs sont fréquents ou lorsque les produits sont régulièrement renouvelés. Ils permettent ainsi de présenter à l’utilisateur à la fois des produits qui sont fortement susceptibles de l’intéresser, mais également des produits nouveaux .

Chez Louis Vuitton, divers systèmes de recommandations sont déjà mis en place, notamment basé sur la similarité des produits ou sur des notions d’appétence.

Durant ce projet, une partie des caractéristiques des produits disponibles sur le site LV.com a été utilisée pour étudier l’impact de ces informations sur le taux de clic. Le projet a également permis de montrer que ce contexte offre un apprentissage plus rapide des algorithmes de bandits manchots standards (Epsilon-Greedy, UCB).