Dossier de Mathieu dans l’épisode #83.
Il existe de nombreuses techniques qui ont été utilisées pour mettre en place des systèmes de recommandation. La plupart de ces techniques sont basées sur des concepts mathématiques avancés. Dans ce dossier, nous allons analyser différentes approches et stratégies utilisées lors de la mise en place de ces systèmes.
Qu’est-ce qu’un système de recommandation ?
Un système de recommandation est un type de filtrage de l’information qui vise à présenter des éléments d’information susceptibles d’intéresser l’utilisateur. Il cherche à prédire la valeur ou la préférence qu’un utilisateur accorderait à un objet ou à un élément social qu’il n’a pas encore considéré.
Un système de recommandation comprend généralement trois étapes :
- La collecte d’informations sur l’utilisateur.
- La création d’un modèle utilisateur contenant les informations collectées.
- L’extraction d’une liste de recommandations à partir de ce modèle.
Types de systèmes de recommandation
Il existe quatre approches possibles pour un système de recommandation :
Recommandation Personnalisée
Ce type de recommandation se base sur le comportement passé de l’utilisateur. Par exemple, les produits achetés ou sélectionnés sur un site de e-commerce peuvent être utilisés pour prédire de nouveaux produits susceptibles d’intéresser l’utilisateur.Recommandation Objet
Ce type de recommandation se base sur les qualités intrinsèques de l’objet lui-même et les corrèle avec les préférences et les intérêts de l’utilisateur. Par exemple, un système peut recommander un livre en se basant sur le genre du livre et les préférences de l’utilisateur en matière de genres littéraires.Recommandation Sociale
Ce type de recommandation se base sur le comportement passé d’utilisateurs similaires. Des algorithmes analysent les données sur le comportement, les activités et les préférences des utilisateurs afin de prédire ce que l’utilisateur aimera en cherchant des utilisateurs ayant des comportements similaires.Recommandation Hybride
Ce type de recommandation combine les approches précédentes pour résoudre des problèmes comme le manque de données ou la rareté des évaluations.
Avantages et inconvénients
La recommandation personnalisée est avantageuse car elle ne nécessite pas une large communauté d’utilisateurs pour fonctionner. En revanche, certains attributs subjectifs et qualitatifs peuvent être difficiles à acquérir automatiquement, ce qui peut être un inconvénient.
La recommandation sociale permet de proposer des recommandations même avec peu d’informations sur le contenu à recommander. Cependant, elle souffre de problèmes de scalabilité et peut rencontrer des difficultés lors de la phase de démarrage.
Les systèmes de recommandation hybrides résolvent certains des problèmes rencontrés par les approches pures, tels que le manque de données ou la rareté des évaluations.
Exemples
Pandora utilise principalement une approche de recommandation objet. Il analyse les caractéristiques des chansons pour proposer de nouvelles chansons à écouter.
Last.fm utilise une approche de recommandation sociale. Il crée une station de radio personnalisée en observant les goûts musicaux des utilisateurs similaires.
Conclusion
Les algorithmes de recommandation sont utilisés pour prédire les préférences et les intérêts des utilisateurs. Différentes approches peuvent être utilisées en fonction des caractéristiques des données et des objectifs du système de recommandation. Les systèmes de recommandation hybrides semblent être les plus efficaces car ils combinent plusieurs approches algorithmiques.
