Etudiant : BAJJOU ABDELILAH

Filière : Master Big Data et Systèmes intelligents (BDSI)

Encadrant : Pr. NFAOUI EL HABIB

Annèe : 2026

Résumé : Les systèmes de recommandation séquentielle basés sur la famille SASRec convergent vers un contrat de scoring commun : une requête représentée par un point d’intérêt, produite par un encodeur Transformer, calculée par produit scalaire avec des éléments appris sous forme de points d’intérêt. Ce contrat laisse inexploitées deux sources d’information au niveau de chaque item : la richesse sémantique portée par la description en langage na turel, et l’incertitude épistémique inhérente aux historiques utilisateurs courts. Nous pro posons DISR (Distributional Item Sequential Recommender), une méthode qui représente à la fois les items et la requête de l’encodeur sous forme de distributions gaussiennes di agonales, initialise les moyennes des items à partir d’un encodeur Sentence-BERT gelé, et score les candidats par la divergence symétrique de Kullback–Leibler entre les distribu tions de la requête et des candidats. La fonction de scoring est un remplacement direct du produit scalaire dans le paradigme standard d’entraînement par softmax échantillonnée, et ne nécessite ni racine carrée de matrice ni procédures itératives. Nous évaluons DISR sur les catégories Amazon Beauty et Amazon Sports du benchmark Amazon Reviews 2023, aux échelles 50K utilisateurs et complète (∼730K utilisateurs pour Beauty, ∼410K pour Sports). DISR dépasse la meilleure baseline de +12,8% NDCG@10 sur Beauty 50K et +15,6% sur Sports 50K. L’avantage est maximal en régime cold-start (+14,5% à +19,3% sur les utilisateurs ayant 1 à 3 interactions) et la méthode atteint sa meilleure précision en 10–15 époques à l’échelle complète, soit 3,3 à 7 fois plus rapide en époques que les meilleures baselines contrastives.