Un système de recommandation est un outil informatique qui a pour but de suggérer des éléments

pertinents à un utilisateur, en fonction de ses préférences, de son historique, ou encore de ses

interactions avec une plateforme.

En résumé, c’est un filtre intelligent qui permet d’orienter l’utilisateur vers ce qui est le plus
susceptible de l’intéresser.

Ces systèmes reposent souvent sur l’analyse de données, le comportement des utilisateurs, et parfois
même sur des techniques avancées d’intelligence artificielle.

Comme vu dans la definition

Un système de recommandation a pour but d’aider l’utilisateur à découvrir du contenu qu’il pourrait
apprécier, sans forcément le chercher activement

Pour atteindre cet objectif, on s’appuie sur trois grands axes :

• La personnalisation : le système adapte les suggestions en fonction des préférences, de

l’historique ou du comportement de chaque utilisateur. Ainsi, deux personnes différentes
peuvent voir des contenus totalement différents sur une même plateforme.

• La découverte : il ne s’agit pas seulement de recommander ce que l’on connaît déjà ou ce que
l’on aime. Un bon système de recommandation propose aussi des éléments nouveaux ou
inattendus, mais toujours pertinents.

• Et enfin, l’engagement : en offrant une expérience plus riche et plus ciblée, la plateforme
encourage l’utilisateur à rester plus longtemps, à interagir davantage, et à revenir plus
souvent.

Les systèmes de recommandation jouent du coup un rôle important, aussi bien pour les utilisateurs
que pour les entreprises.

Du côté des utilisateurs, les bénéfices sont nombreux :

• , un gain de temps considérable : au lieu de passer des heures à chercher un film, un produit
ou une musique, le système propose directement ce qui a le plus de chances de plaire cette
personne.

• une expérience personnalisée : le contenu qui s’affiche est adapté aux goûts, aux
préférences, voire même au comportement de chaque utilisateur.

• cela permet aussi la découverte de nouveaux éléments, souvent inattendus, que l’utilisateur
n’aurait pas trouvés par lui-même. C’est un moyen efficace d’élargir ses horizons.

Du côté des entreprises, l’intérêt est tout aussi stratégique :

• Les recommandations permettent d’augmenter l’engagement et la fidélisation. Un utilisateur

satisfait, qui trouve facilement ce qu’il aime, reviendra plus souvent.
 • Cela se traduit aussi par une hausse des ventes ou des conversions. Par exemple, Amazon
vend plus de produits, Netflix obtient plus d’abonnements.

• Et enfin, ces systèmes offrent une meilleure compréhension des préférences des
utilisateurs, ce qui permet d’ajuster l’offre, de cibler la publicité, ou encore d’améliorer les
services proposés.

En résumé, les systèmes de recommandation créent une relation gagnant-gagnant entre l’utilisateur
et la plateforme.

Maintenant je vais passer vers les types des systèmes

On peut les classifier selon le domaine de recommandation comme on peut les classifier selon les
implémentations techniques

Commençons par les différents domaines

le e-commerce, et plus particulièrement la plateforme Amazon.

Ici, le système de recommandation a pour rôle de suggérer des produits que l’utilisateur pourrait
vouloir acheter. Pour cela, il s’appuie sur plusieurs types de données :

• l’historique des achats,

• les articles récemment consultés,

• et aussi les comportements d’autres utilisateurs ayant un profil ou des intérêts similaires.

Par exemple, si vous achetez un ordinateur portable, Amazon peut vous proposer :

• une souris,

• un sac de transport,

• ou encore un logiciel antivirus.

Un autre domaine très connu où les systèmes de recommandation c’est celui des films et séries, avec
des plateformes comme Netflix ou Disney+.

Ici, le but est d’aider l’utilisateur à trouver rapidement du contenu qu’il a envie de regarder, sans
avoir à passer des heures à faire défiler le catalogue.

Les recommandations se basent généralement sur :

• les films et séries déjà vus,

• les genres préférés,

• les notes ou les réactions laissées,

• mais aussi le comportement d’autres utilisateurs ayant des goûts similaires.

Par exemple, si vous avez regardé plusieurs thrillers psychologiques, la plateforme va vous en
proposer d’autres du même style, ou vous faire découvrir des œuvres similaires que vous ne
connaissez pas encore.

Passons maintenant à un autre secteur: la musique, avec des plateformes comme Spotify ou Apple
Music.

Dans ce domaine, l’objectif principal est de proposer des morceaux ou des artistes qui
correspondent aux goûts de l’utilisateur, mais aussi de lui faire découvrir de nouveaux sons, genres ou
artistes qui pourraient l’intéresser.

Les recommandations sont basées sur plusieurs éléments :

• l’historique d’écoute,

• les playlists ou artistes favoris,

• les genres musicaux les plus écoutés,

• et parfois même les habitudes de consommation des autres utilisateurs ayant des

Un autre domaine où les systèmes de recommandation sont particulièrement utilisés est celui des
actualités. Les plateformes comme Google News ou les applications des grands médias ont pour
objectif de fournir aux utilisateurs des articles et des informations qui correspondent à leurs centres
d'intérêt.

Dans ce cas, les recommandations reposent sur :

• l’historique de navigation et de lecture de l’utilisateur,

• les sujets qu’il suit régulièrement,

• et les interactions avec des articles similaires.

Par exemple, si vous avez tendance à lire des articles sur la technologie ou l'intelligence artificielle,
l'algorithme vous proposera des articles récents ou populaires dans ces domaines.

Enfin, un autre domaine important des systèmes de recommandation concerne les réseaux sociaux
comme Facebook, Instagram ou LinkedIn. Dans ces plateformes, les recommandations sont souvent
liées aux connexions sociales, c'est-à-dire aux amis, aux abonnés, ou encore aux relations
professionnelles.

Dans ce cas, les recommandations sont basées sur plusieurs critères :

• les personnes que vous suivez ou avec lesquelles vous êtes déjà connectés,
 • les interactions avec des publications (commentaires, likes, partages),

• les amis en commun ou les groupes auxquels vous appartenez.

Par exemple, Facebook pourrait vous suggérer des amis d'amis, ou des pages populaires que vos
connexions ont aimées. Sur LinkedIn, vous pourriez recevoir des suggestions de professionnels à
ajouter en fonction de votre réseau ou de votre secteur d’activité.

Maintenant que nous avons vu ce que l’on recommande, il est important de comprendre comment
ces recommandations sont faites. En général, il existe trois grands types de systèmes de
recommandation :

1. Content-based :
Ce type de système recommande des éléments en fonction de caractéristiques spécifiques
du contenu. Par exemple, pour un film, cela peut être le genre, l’acteur principal ou le
réalisateur. Plus vous interagissez avec un type particulier de contenu, plus le système vous
proposera des éléments similaires.

2. Collaborative filtering :
Ce système repose sur les interactions des utilisateurs entre eux. Il recommande des
éléments en fonction des préférences d’utilisateurs ayant un comportement similaire au
vôtre. Par exemple, si d'autres personnes ayant des goûts proches des vôtres ont aimé un
film, le système vous le suggérera également.

3. Hybrid :
Comme son nom l’indique, le système hybrid combine les deux précédents pour créer une
approche plus robuste. Cela permet d'améliorer la précision des recommandations en
croisant les informations sur le contenu et les préférences des utilisateurs.

Passons maintenant en détail sur le Content-based Filtering, l’un des types les plus utilisés dans les
systèmes de recommandation.

Le principe de ce système est relativement simple : il recommande des éléments similaires à ceux
que l'utilisateur a déjà appréciés ou consommés, en se basant sur les caractéristiques du contenu lui-
même.

Prenons un exemple concret avec les films :

• Si un utilisateur aime les films d'action avec des super-héros, le système analysera ces
éléments spécifiques (genre, acteurs, réalisateur) et recommandera des films ayant ces
mêmes caractéristiques.

Pour bien comprendre comment un système de recommandation fonctionne, il est important de se

familiariser avec deux concepts clés : la User Matrix et la Item Matrix. Ces matrices jouent un rôle
central dans le traitement des données et la génération des recommandations.

1. User Matrix (Matrice Utilisateur)

• La User Matrix est une matrice 2D où chaque ligne représente un utilisateur et chaque
colonne représente une caractéristique numérique de cet utilisateur.
 • Par exemple, dans une plateforme de streaming, on pourrait avoir des colonnes représentant
:

o L’âge de l’utilisateur,

o Ses préférences de genre (action, comédie, etc.),

o Son historique de visionnage (films ou séries déjà regardés).

L’objectif de cette matrice est de quantifier les préférences et les comportements des utilisateurs,
afin de mieux comprendre leurs goûts et besoins.

2. Item Matrix (Matrice Item)

• La Item Matrix est également une matrice 2D, mais cette fois-ci, chaque ligne représente un
item (comme un film, un produit, une chanson, etc.) et chaque colonne correspond à une
caractéristique de cet item.

• Par exemple, pour un film, les colonnes pourraient inclure :

o Le genre du film (action, romance, etc.),

o Le synopsis vectorisé (transformé en une représentation numérique du contenu du

film),

o Les acteurs principaux.

L'idée ici est de décrire chaque item par des caractéristiques objectives, afin de faciliter les
comparaisons entre les items et de faire des recommandations plus ciblées.

Continuons à explorer d’autres concepts essentiels dans le fonctionnement des systèmes de

recommandation : les Features et la User-Item Matrix. Ces éléments sont cruciaux pour comprendre
comment les recommandations sont générées et comment les données sont organisées.

3. Features (Caractéristiques)

• Les Features sont des représentations numériques des attributs des utilisateurs et des items.
Elles sont essentielles pour décrire à la fois les préférences des utilisateurs et les
caractéristiques des items.

• Par exemple, pour un utilisateur, cela pourrait inclure des informations comme :

o Son âge,

o Ses genres musicaux préférés,

o Les films qu’il a regardés récemment.

• Pour un item (comme un film ou un produit), les features peuvent inclure :

o Le genre,

o Le type de produit (électronique, vêtements, etc.),

o Le prix ou la durée.
Ces features permettent de transformer des informations qualitatives (comme les goûts ou le genre
d’un film) en données quantitatives que les algorithmes peuvent utiliser pour effectuer des
recommandations.

4. User-Item Matrix (Matrice Utilisateur-Item)

• La User-Item Matrix combine les informations des utilisateurs et des items. C’est une
matrice 2D où chaque ligne représente un utilisateur et chaque colonne un item.

• Dans cette matrice, chaque cellule contient une interaction entre un utilisateur et un item.
Par exemple, cela peut être :

o Une note donnée à un film ou à un produit (comme sur Netflix ou Amazon),

o Un clic sur un produit dans une boutique en ligne,

o Une écoute d’une chanson dans une application de musique.

L’objectif de cette matrice est de capturer toutes les interactions entre les utilisateurs et les items, et
c’est sur cette base que les systèmes de recommandation peuvent identifier les préférences, les
tendances et les similitudes entre les utilisateurs et les items pour proposer des recommandations
pertinentes.

Grâce à cette matrice, les systèmes peuvent évaluer la probabilité qu’un utilisateur apprécie un item,
même s’il ne l’a jamais vu auparavant, en se basant sur les interactions des utilisateurs ayant des
préférences similaires.

Un élément clé du fonctionnement des systèmes de recommandation est l'extraction de

caractéristiques (features). Cette étape permet de transformer les données brutes (comme des
textes, des images ou des métadonnées) en représentations structurées et exploitables par un
modèle de recommandation.

L'objectif principal de cette étape est de rendre les données accessibles et compréhensibles pour les
algorithmes de recommandation, afin qu'ils puissent faire des prédictions pertinentes. Pour ce faire,
les systèmes doivent :

• Analyser des données non structurées comme du texte (ex : descriptions de films ou critiques
de produits),

• Extraire des informations clés telles que des mots-clés, des entités ou des thèmes
dominants.

Par exemple, pour recommander des films, on peut extraire des caractéristiques telles que :

• Le genre du film (action, comédie, etc.),

• Les acteurs principaux,

• Le réalisateur,

• Les mots-clés du synopsis (par exemple : aventure, héros, mystère).

Pour les images, des techniques comme l’analyse d’image peuvent être utilisées pour identifier des
éléments visuels (comme des objets ou des couleurs dominantes) qui seront ensuite transformés en
features exploitables par le modèle.

Une fois ces caractéristiques extraites, elles permettent au système de comparer et de

recommander des éléments qui partagent des traits similaires, tout en offrant une expérience plus
personnalisée et pertinente.

Maintenant, parlons des types de données que les systèmes de recommandation utilisent et des
méthodes d'extraction de caractéristiques qui leur permettent de travailler efficacement avec ces
données.

1. Textes (Articles, Descriptions)

• Lorsque nous travaillons avec des textes comme des articles, des critiques de films ou des
descriptions de produits, l'une des méthodes les plus courantes est le TF-IDF (Term
Frequency-Inverse Document Frequency).

• Le TF-IDF calcule le poids de chaque mot dans un document en fonction de sa fréquence

dans ce document et de sa rareté dans l'ensemble du corpus.

o Exemple : Dans un article sur le football, des mots comme "ballon" et "but" auront
un poids élevé, car ils apparaissent fréquemment dans cet article, mais sont
relativement rares dans d'autres articles non liés au football.

o Cette méthode permet de cibler les mots les plus importants pour chaque
document, ce qui aide les systèmes de recommandation à identifier les éléments
essentiels et à proposer des recommandations pertinentes.

2. Images (Affiches de films, Photos de produits)

• Lorsqu'il s'agit d'images, telles que des affiches de films ou des photos de produits, les
systèmes de recommandation utilisent des techniques plus avancées comme les CNN
(Convolutional Neural Networks).

• Les CNN sont capables d'extraire des features visuelles telles que les couleurs, les textures,
ou même des objets spécifiques présents dans l'image. Ces caractéristiques peuvent être
utilisées pour mieux comprendre le contenu visuel d'une image et faire des
recommandations en fonction de ce contenu.

• Une autre méthode puissante consiste à utiliser des modèles pré-entraînés tels que ResNet
ou VGG. Ces modèles ont déjà été formés sur d'énormes bases de données d'images et
peuvent extraire des vecteurs d'images. Ces vecteurs représentent de manière compacte et
numérique les informations essentielles contenues dans une image.

o Ces modèles permettent de tirer parti de l'intelligence collective accumulée par

l'entraînement sur des milliards d'images, facilitant ainsi l'extraction de features
pertinentes pour des systèmes de recommandation efficaces.
Un autre type de données très utilisé dans les systèmes de recommandation, ce sont les
métadonnées.

Métadonnées (Genre, Acteurs, Année)

• Les métadonnées sont des informations structurées sur les éléments à recommander. Par
exemple : le genre d’un film, les acteurs principaux, l’année de sortie, ou encore le
réalisateur.

• Pour rendre ces informations compréhensibles par un algorithme, on utilise souvent une
technique appelée encodage One-Hot.

• Le principe de l’encodage One-Hot, c’est de transformer une variable catégorielle en un

vecteur binaire.

o Par exemple, si on a une catégorie "Genre" avec deux valeurs possibles : Action et
Comédie, alors :

▪ Un film d’action sera encodé comme [1, 0]

▪ Un film comique sera encodé comme [0, 1]

• Cette représentation permet au système de distinguer clairement les catégories sans leur
donner de valeur numérique implicite (comme 1 ou 2), ce qui pourrait fausser les calculs de
similarité.

Après avoir extrait les caractéristiques des utilisateurs et des items, le système de recommandation
doit maintenant évaluer la proximité entre ces éléments.
C’est ici qu’intervient le calcul de similarité.
Il permet de déterminer quels utilisateurs se ressemblent, ou quels items sont proches en termes de
contenu ou de comportement d’interaction.
Cette étape est essentielle pour pouvoir ensuite formuler des recommandations pertinentes.

La première mesure que l’on peut utiliser est le produit scalaire, ou dot product.

C’est une méthode simple mais puissante, qui consiste à multiplier les composantes
correspondantes de deux vecteurs, puis à faire la somme des résultats.

Par exemple, si on représente un utilisateur et un item chacun sous forme d’un vecteur de
caractéristiques numériques, le produit scalaire va permettre de mesurer leur degré d’alignement.

Plus le résultat est élevé, plus cela signifie que les deux vecteurs pointent dans une direction
similaire, et donc que l’utilisateur a de fortes chances d’apprécier cet item.