Les systèmes de recommandation sont des composants essentiels du commerce électronique, des médias de streaming et des réseaux sociaux, générant un impact produit et commercial significatif. Chez Netflix, ils connectent les membres avec du contenu pertinent au bon moment. Le modèle de base de recommandation a fait des progrès substantiels dans la compréhrence des utilisateurs, mais il y a une opportunité de renforcer encore ses capacités. En étendant le modèle de base pour inclure la prédiction des intentions sous-jacentes des utilisateurs, le modèle peut enrichir sa compréhension utilisateur au-delà de la prédiction de l'élément suivant. Des recherches récentes ont mis en évidence l'importance de comprendre l'intention de l'utilisateur sur les plateformes en ligne, ce qui conduit à des recommandations plus précises et personnalisées. FM-Intent, un modèle de recommandation novateur, capture l'intention latente de session utilisateur en utilisant des signaux implicites à court et à long terme comme des proxy, puis exploite cette prédiction d'intention pour améliorer les recommandations d'éléments suivants. Il établit une relation hiérarchique entre les prédictions d'intention et les recommandations d'éléments suivants, créant un pipeline de recommandation plus cohérent et efficace. FM-Intent apporte trois contributions clés : un modèle de recommandation novateur, une approche d'apprentissage multi-tâche hiérarchique, et une validation expérimentale exhaustive montrant des améliorations significatives par rapport aux modèles de pointe. FM-Intent a été intégré avec succès dans l'écosystème de recommandation de Netflix et peut être exploité pour plusieurs applications en aval, notamment l'optimisation d'interface utilisateur personnalisée, l'analytique et les signaux de recommandation améliorés.