#BigDataParis: Voyage Privé optimise la recommandation grâce au deep learning

Reproduire la relation personnalisée qu'un client aurait avec un commercial dans une agence de voyage, c'est l'ambition du pure player spécialisé dans les séjours de luxe. Sur Voyage-privé.com, le client inscrit accède à une liste de ventes flash, non permanentes par définition. Pas facile, dans ce cadre, de récolter des données, selon son data scientist Christophe Duong: "Parce que nous pratiquons des prix haut de gamme, nous ne récoltons pas beaucoup de données achat. Le moteur de recommandation se base exclusivement sur les visites du site, qui sont assez courtes, ce qui ne nous donne pas non plus beaucoup d'informations".

Tester différents modèles de machine learning

Pour bien comprendre le contexte des utilisateurs et récolter de la donnée à traiter, l'équipe data de Voyage Privé a utilisé l'historique des ventes et du trafic du site pour construire différents modèles de machine learning, sur Dataiku, Spark mais aussi Python. Le but était de tester ces différents modèles pour les comparer et définir l'apport de chacun. L'un de ces modèles consistait à observer le comportement des internautes, indépendamment de l'achat. Un autre se concentrait sur le contenu de la visite. "D'autres facteurs peuvent être intégrés, comme le produit le plus acheté" précise Christophe Duong.

Avec ces différentes idées, Voyage Privé a déployé un méta-modèle pour les tester (A/B Testing) et prédire la probabilité qu'un visiteur achète ou non le produit. En fonction, la liste est réarrangée. "Nous avons constaté une hausse de 7% de revenu sur le groupe à qui était poussée la recommandation. Celle-ci était rafraichie chaque nuit" indique Christophe Duong.

Thématiser les images grâce au transfer learning

L'image, en tant que vecteur d'émotion, est au coeur de la communication de Voyage-privé.com. Et ça tombe bien, puisque "le deep learning est parfaitement adapté à ce type d'application. En effet, il faut nourrir l'ordinateur avec des millions d'images pour lui faire reconnaître un objet ou un sujet" ajoute Christophe Duong. Les data scientists ont donc pioché dans des bases open source d'images labellisées, Places et Sun. L'algorithme étant compliqué, il leur a fallu utiliser Caffe Model Zoo, un modèle de deep learning pré-entraîné et partagé.

Vient l'étape du transfer learning: "Avec le transfer learning, nous avons entrainé un modèle qui reconnait des chats à reconnaitre des lions" illustre Christophe Duong. Basiquement, les premières couches de l'algorithme vont reconnaître les composantes simples d'une image (couleurs, formes), et plus elles sont profondes, plus elles vont reconnaitre des éléments complexes (yeux, nez, visage --> c'est un humain). Toutes ces couches utilisées avec les images de Places vont être raffinées avec la deuxième base de données qui a moins d'images mais qui sont mieux classées (Sun), afin d'enrichir et entraîner le modèle de deep learning et finalement extraire des labels pour chaque image du site.

Mixer les recommandations

Chacune des images sur Voyage Privé est ainsi résumée en 30 à 60 thèmes par le moteur de recommandation, qui peut reconnaître différents éléments en fonction des recherches des clients. "Par exemple, nous avions remarqué qu'un visiteur avait vu 5 images sur notre site, de lieux situés en France, et qui comportaient toutes une piscine. La première recommandation, sur l'historique de visite, lui a montré des ventes sans piscine mais en France, et en se basant sur les images, le moteur lui a poussé des ventes avec piscine partout dans le monde. On a pu mixer les deux informations pour coller à la recherche du client" ajoute le data scientist. A l'avenir, cette démarche pourrait servir à personnaliser l'image d'accroche et attirer l'utilisateur sur une vente. "Ce que nous retenons, c'est que même sans base d'images, il est possible de faire du deep learning en appliquant le transfer learning. Il faut être agile, commencer avec une solution simple et valider chaque étape" conclut Christophe Duong.