Système de recommandation

Un article de Wikipédia, l'encyclopédie libre.
Aller à : navigation, rechercher

Les systèmes de recommandation sont une forme spécifique de filtrage de l'information (SI) visant à présenter les éléments d'information (films, musique, livres, news, images, pages Web, etc) qui sont susceptibles d'intéresser l'utilisateur. Généralement, un système de recommandation permet de comparer le profil d'un utilisateur à certaines caractéristiques de référence, et cherche à prédire l'« avis » que donnerait un utilisateur. Ces caractéristiques peuvent provenir de :

  • l'objet lui-même, on parle « d'approche basée sur le contenu » ou content-based approach,
  • l'utilisateur,
  • l'environnement social, on parle d'approche de filtrage collaboratif ou collaborative filtering.

Résumé[modifier | modifier le code]

Lors de la construction du profil de l'utilisateur, une distinction est faite entre les formes explicites et implicites de collecte de données :

Exemples de collecte explicite de données :

  • Demander à l'utilisateur de classer une collection d'objets en fonction de sa préférence,
  • Présenter deux objets à un utilisateur et lui demander de choisir le meilleur,
  • Demander à un utilisateur de créer une liste d'articles qui l'intéressent.

Exemples de collecte implicite de données :

  • L'observation des objets que l'utilisateur a vus sur la boutique en ligne,

Analyse de la fréquence de consultation d'un article par un utilisateur :

  • Garder une trace des éléments que l'utilisateur achète en ligne,
  • Obtenir une liste d'éléments que l'utilisateur a écoutés ou regardés,
  • Analyse du réseau social de l'utilisateur et la découverte de ses goûts et aversions.

Le système compare ensuite les données recueillies sur l'utilisateur à celles déjà existantes (d'autres utilisateurs) et calcule une liste de questions pour l'utilisateur. Plusieurs commerciaux et non commerciaux, des exemples sont énumérés à l'article sur les systèmes de filtrage collaboratif. G. Adomavicius donne un aperçu des systèmes de recommandation[1], Herlocker donne un aperçu des techniques d'évaluation[2] pour les systèmes de recommandation. Les systèmes de recommandation sont une bonne alternative au système de recherche simple, car ils aident l'utilisateur à découvrir des articles auxquels il n'aurait pas songé par lui-même. Fait intéressant, les systèmes de recommandation sont souvent mis en œuvre en utilisant les moteurs de recherche d'indexation de données non traditionnelles.

Voici une liste non-exhaustive de système de recommandation : Amazon.com, Amie Street, Baynote, Babelio, CogniK, Collarity, Daily Me, Genius, inSuggest, iLike, Last.fm, Netflix, Pandora, Reddit, Slacker, Sparkow, Strands, StumbleUpon, StyleFeeder, ulike.net

Voir aussi[modifier | modifier le code]

Notes et références[modifier | modifier le code]

  1. http://ids.csom.umn.edu/faculty/gedas/
  2. http://web.engr.oregonstate.edu/~herlock/

Liens externes[modifier | modifier le code]

Groupes de recherche[modifier | modifier le code]

Ateliers[modifier | modifier le code]

ACM Recommender Systems Series[modifier | modifier le code]

Journal special issues[modifier | modifier le code]

Liens externes[modifier | modifier le code]

  • CogniK système de profilage et de recommandation pour les vidéos, programmes TV et films, les jeux éducatifs, le télé-shopping, utilisant les recherches en sciences cognitives et l'intelligence artificielle, choisi par MTV Networks France en Mars 2011.
  • Sailendra : moteur de filtrage collaboratif pour les produits, documents ou articles (indépendant de la langue et du format).