Hybrid recommendation to low-engagement users

Among machine learning systems, recommendation engines hold a place of special relevance to industry, with applications ranging from entertainment, to advertising, to political outreach. A key hurdle that must be overcome by these tools is what is known as the cold-start problem, where the system encounters users or items for which there is no known interaction history. The standard approach involves rating elicitation, where the system simply requests that a user provide scores or rankings for some intelligently selected items. Other demographic and content-based techniques have been proposed; however, most still rely on preference information supplied by the user, or manually-labelled attributes for items. All of these approaches put their trust in human self-assessment, which is frequently inaccurate. Further, they typically gather the necessary information using questionnaires, which can be intrusive and may cause some customers to leave the platform. In this work, we present a hybrid filtering system for user-to-user follow recommendations, which bases suggestions on user representations learned from natural language. We apply this system to the problem of journalist recommendation on Twitter, particularly for users who display limited political engagement. This model proves to be uniquely capable of recommendation to users which were never seen during training, a tremendously useful ability in domains like social networking, where the user base is in constant flux.Parmi les systèmes d'apprentissage automatique, les systèmes de recommandation présentent un intérêt particulier pour l'industrie, avec des applications allant du divertissement à la publicité et à la sensibilisation politique. Un obstacle majeur que ces outils rencontrent est connu sous le nom de problème de démarrage à froid (cold-start problem), qui se présente lorsque le système est confronté à des utilisateurs ou des objets pour lesquels il n'existe pas d'historique d'interaction connu. L'approche classique pour y remédier consiste à solliciter de l'utilisateur une notation ou un classement d'objets sélectionnés spécifiquement à cet effet. D'autres stratégies démographiques et fondées sur du contenu ont été proposées. Cependant, une majorité continue à s'appuyer sur des informations fournies par l'utilisateur ou sur des attributs établis manuellement pour des objets. L'ensemble de ces approches s'appuie sur l'auto-évaluation humaine, qui est souvent inexacte. De plus, la collecte de ces informations se fait généralement par questionnaire, ce qui peut être envahissant et peut conduire certains utilisateurs à abandonner la plateforme. Dans ce mémoire, nous présentons un système de filtre hybride de recommandation de suivi d'utilisateurs, dont les suggestions s'appuient sur des représentations d'utilisateurs apprises par langage naturel. Nous appliquons ce système au problème de recommandation de journalistes sur Twitter, particulièrement pour les utilisateurs qui manifestent un engagement politique limité. Ce modèle possède une capacité remarquable de générer des recommandations pour des utilisateurs qui n'ont jamais été rencontrés, une aptitude extrêmement utile dans des secteurs tels que les réseaux sociaux, où la base d'utilisateurs change constamment