Cet article aborde l'amélioration des performances d'un système de recommandation multi-actions exploitant divers comportements utilisateurs (par exemple, achats, clics et ajouts au panier) dans le e-commerce. Les systèmes existants présentent un écart de performance important entre les articles recommandés visités (articles avec lesquels les utilisateurs interagissent) et les articles non visités. Pour remédier à ce problème, nous proposons MEMBER, un nouveau système de recommandation multi-actions basé sur un mélange d'experts (MIxture-of-Experts), qui utilise des modèles experts spécialisés respectivement pour les articles visités et non visités. Chaque modèle expert est entraîné par apprentissage auto-supervisé, et les résultats expérimentaux démontrent une amélioration des performances allant jusqu'à 65,46 % (sur la base d'un taux de réussite de 20) par rapport aux systèmes existants.
