Recommandation par inférence bayésienne. Application à la configuration de produit

Cet article traite du problème de la recommandation de valeurs dans le cadre de la configuration interactive de produit. L’idée est d’apprendre, hors ligne et à partir d’un historique de vente, des indépendances entre variables sous la forme d’un réseau bayésien ; on peut ensuite utiliser les tables du réseau bayésien appris pour recommander, à chaque étape de la configuration, les options les plus probablement choisies ; ou on peut estimer directement à partir de l’historique les probabilités nécessaires : nous proposons pour cela une variation de l’algorithme Recursive Conditioning. Nos expérimentations sur des données réelles montrent que ces approches sont compatibles avec une exploitation en ligne en termes de temps CPU et possèdent une très bonne précision : leur taux de succès est proche du meilleur possible. This paper deals with the problem of value recommendation in interactive product configuration. It proposes to learn independencies off-line with a Bayesian network from a sales history. Afterwards, the conditional probability tables can be used to recommend for each step of the configuration the most probable values; we can also estimate those probabilities directly from the sales history: we propose for that a variation of the Recursive Conditioning algorithm. Our experiments on real world dataset show that these approaches are compatible with an online exploitation in terms of CPU time, and have a very good accuracy – their success rate is close to the best possible one.