Les Systèmes de recommandation

Master de recherche M2

Introduction

Sonia Ben Ticha Azzouz

13 octobre 2021
 Plan

1 Contexte
Contexte 2 Assistant intelligent
Assistant
intelligent
3 Les systèmes de recommandations
Les systèmes de
recommandations
4 S.R. personnalisées
S.R.
personnalisées
5 Personnalisation
Personnalisation
Analyse des usages Analyse des usages
Modélisation

Recommandation
Modélisation
Plan du cours 6 Recommandation
Bibliographie
7 Plan du cours
8 Bibliographie

2 / 46
 Plan

1 Contexte
Contexte 2 Assistant intelligent
Assistant
intelligent
3 Les systèmes de recommandations
Les systèmes de
recommandations
4 S.R. personnalisées
S.R.
personnalisées
5 Personnalisation
Personnalisation
Analyse des usages Analyse des usages
Modélisation

Recommandation
Modélisation
Plan du cours 6 Recommandation
Bibliographie
7 Plan du cours
8 Bibliographie

2 / 46
 Transformation du mode de vie

Contexte

Assistant
intelligent

Les systèmes de
recommandations
Transformation de notre mode de vie suite à l’utilisation
S.R.
personnalisées
d’Internet
I Nous achetons sur le net, écoutons de la musique sur le net
Personnalisation I Lisons les news, des livres, des documents sur le net
Analyse des usages
Modélisation
I Regardons des films, des vidéos sur le net
I Suivons des cours sur le net (e-learning)
Recommandation
I Nous passons une importante partie de nos journées à bénéficier
Plan du cours
des services électroniques (e-services).
Bibliographie
Fournisseurs de e-services 1 attirant le plus d’usagers.
I Cet engouement poussent les fournisseurs de e-services à vouloir
attirer le plus grand nombre d’usagers en améliorant leurs
contenus et en fidélisant leurs clients.
1. [Boyer et al.2008] ont défini un service comme étant un intermédiaire établissant un lien entre une
3 / 46 ressource et un utilisateur.
 Transformation du mode de vie

Contexte

Assistant
intelligent

Les systèmes de
recommandations
Transformation de notre mode de vie suite à l’utilisation
S.R.
personnalisées
d’Internet
I Nous achetons sur le net, écoutons de la musique sur le net
Personnalisation I Lisons les news, des livres, des documents sur le net
Analyse des usages
Modélisation
I Regardons des films, des vidéos sur le net
I Suivons des cours sur le net (e-learning)
Recommandation
I Nous passons une importante partie de nos journées à bénéficier
Plan du cours
des services électroniques (e-services).
Bibliographie
Fournisseurs de e-services 1 attirant le plus d’usagers.
I Cet engouement poussent les fournisseurs de e-services à vouloir
attirer le plus grand nombre d’usagers en améliorant leurs
contenus et en fidélisant leurs clients.
1. [Boyer et al.2008] ont défini un service comme étant un intermédiaire établissant un lien entre une
3 / 46 ressource et un utilisateur.
 Surabondance de l’information

Contexte

Assistant
intelligent Internet constitue un environnement
Les systèmes de évolutif structuré et quasi-infini.
recommandations

S.R.
personnalisées I La quantité d’information disponible croît
Personnalisation de façon exponentielle.
Analyse des usages
Modélisation

Recommandation I Il y a une surabondance de ressources

Plan du cours et de e-services.
Bibliographie

4 / 46
 Accès fastidieux aux ressources pertinentes

Contexte
Pour les usagers
Assistant Il devient ainsi difficile pour un usager d’identifier les
intelligent
ressources susceptibles de l’intéresser en un temps
Les systèmes de
recommandations raisonnable.
S.R.
personnalisées Surtout que ce dernier peut se trouver noyé dans cet
Personnalisation océan d’information faisant de l’accès aux
Analyse des usages
Modélisation
ressources pertinentes une tâche fastidieuse.
Recommandation

Plan du cours Pour les fournisseurs de e-services

Bibliographie
Il devient difficile aux fournisseurs de e-services d’attirer
un grand nombre d’usagers et de les fidéliser.

5 / 46
 Accès fastidieux aux ressources pertinentes

Contexte
Pour les usagers
Assistant Il devient ainsi difficile pour un usager d’identifier les
intelligent
ressources susceptibles de l’intéresser en un temps
Les systèmes de
recommandations raisonnable.
S.R.
personnalisées Surtout que ce dernier peut se trouver noyé dans cet
Personnalisation océan d’information faisant de l’accès aux
Analyse des usages
Modélisation
ressources pertinentes une tâche fastidieuse.
Recommandation

Plan du cours Pour les fournisseurs de e-services

Bibliographie
Il devient difficile aux fournisseurs de e-services d’attirer
un grand nombre d’usagers et de les fidéliser.

5 / 46
 Que faire ?

Contexte

Assistant
intelligent
Assister l’utilisateur
Les systèmes de
recommandations Améliorer les interactions entre l’utilisateur et les services
S.R. électroniques (les e-services)
personnalisées

Personnalisation Pour un utilisateur connu ou inconnu du système

Analyse des usages
Modélisation En lui proposant des ressources susceptibles de
Recommandation l’intéresser dites ressources pertinentes
Plan du cours

Bibliographie

6 / 46
 Plan

1 Contexte
Contexte 2 Assistant intelligent
Assistant
intelligent
3 Les systèmes de recommandations
Les systèmes de
recommandations
4 S.R. personnalisées
S.R.
personnalisées
5 Personnalisation
Personnalisation
Analyse des usages Analyse des usages
Modélisation

Recommandation
Modélisation
Plan du cours 6 Recommandation
Bibliographie
7 Plan du cours
8 Bibliographie

6 / 46
 Comment ?

En intégrant un assistant intelligent dans le

Contexte e-service afin de faciliter l’accès aux ressources
Assistant pertinentes en un temps raisonnable.
intelligent

Les systèmes de
recommandations

S.R.
personnalisées Assistant intelligent
Personnalisation
Analyse des usages Application ou Service
Modélisation

Recommandation Autonome
Plan du cours Personnalisé
Bibliographie
Adaptatif
I Évolution dans le temps
I Contexte

7 / 46
 Domaines de recherche

Contexte

Assistant
Réseaux sociaux
intelligent

Les systèmes de
recommandations Intelligence artificielle
S.R.
personnalisées

Personnalisation
I Machine learning
Analyse des usages
Modélisation

Recommandation
I Web sémantique
Plan du cours

Bibliographie

Big Data

8 / 46
 Exemples
Google (PageRank)

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

9 / 46
 Exemples
Adaptation des interfaces [Gajos et al.2008]

L’adaptation des interfaces pour faciliter l’exploration et la

recherche au sein d’un service.
Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

10 / 46
 Exemples
Recherche personnalisée sur le web [Micarelli et al.2007]

Le résultat de la recherche est orienté par l’historique des

recherches précédentes.
Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

11 / 46
 Exemples
Les outils statistiques aidant les utilisateurs à mieux définir leurs
recherches par mots-clefs [Smyth et al.2005]

L’utilisateur est assisté dans la saisie de sa requête.

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

12 / 46
 Exemples
et d’autres...

Contexte

Assistant
intelligent Les systèmes à base de navigation sociale
Les systèmes de [Millen et al.2006]
recommandations

S.R. L’aide à la navigation personnalisée

personnalisées
[Brusilovsky2007]
Personnalisation
Analyse des usages
Modélisation
La présentation personnalisée du contenu pour le
Recommandation
web [Bunt et al.2007]
Plan du cours ...
Bibliographie

13 / 46
 Exemples
Les systèmes de recommandations

L’utilisateur reçoit des recommandations en fonctions de l’historique

de ses préférences.
Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

14 / 46
 Plan

1 Contexte
Contexte 2 Assistant intelligent
Assistant
intelligent
3 Les systèmes de recommandations
Les systèmes de
recommandations
4 S.R. personnalisées
S.R.
personnalisées
5 Personnalisation
Personnalisation
Analyse des usages Analyse des usages
Modélisation

Recommandation
Modélisation
Plan du cours 6 Recommandation
Bibliographie
7 Plan du cours
8 Bibliographie

14 / 46
 Catégorisation

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

15 / 46
 Typologie des systèmes de recommandations

Système de recommandations non personnalisées : ne

fournit pas de recommandations individualisées.
Contexte I Recommander les items les plus populaires : les films les
Assistant plus populaires, les produits les plus vendus,...
intelligent I Système de recommandation démographique
Les systèmes de [Kobsa et al.2001]
recommandations
• le filtrage se fait sur des données démographiques : l’âge, le
S.R.
personnalisées
pays, le niveau d’étude, la profession, ...
• les personnes de même type recevront les mêmes
Personnalisation
Analyse des usages recommandations.
Modélisation
I Système de recommandation de groupe [Masthoff2011]
Recommandation
• deux personnes d’un même groupe auront les mêmes
Plan du cours recommandations.
Bibliographie • les SR démographiques en sont un exemple.

Système de recommandations personnalisées : chaque

utilisateur reçoit des recommandations en fonctions de
ses goûts et de ses préférences.
16 / 46
 Typologie des systèmes de recommandations

Système de recommandations non personnalisées : ne

fournit pas de recommandations individualisées.
Contexte I Recommander les items les plus populaires : les films les
Assistant plus populaires, les produits les plus vendus,...
intelligent I Système de recommandation démographique
Les systèmes de [Kobsa et al.2001]
recommandations
• le filtrage se fait sur des données démographiques : l’âge, le
S.R.
personnalisées
pays, le niveau d’étude, la profession, ...
• les personnes de même type recevront les mêmes
Personnalisation
Analyse des usages recommandations.
Modélisation
I Système de recommandation de groupe [Masthoff2011]
Recommandation
• deux personnes d’un même groupe auront les mêmes
Plan du cours recommandations.
Bibliographie • les SR démographiques en sont un exemple.

Système de recommandations personnalisées : chaque

utilisateur reçoit des recommandations en fonctions de
ses goûts et de ses préférences.
16 / 46
 Typologie des systèmes de recommandations

Système de recommandations non personnalisées : ne

fournit pas de recommandations individualisées.
Contexte I Recommander les items les plus populaires : les films les
Assistant plus populaires, les produits les plus vendus,...
intelligent I Système de recommandation démographique
Les systèmes de [Kobsa et al.2001]
recommandations
• le filtrage se fait sur des données démographiques : l’âge, le
S.R.
personnalisées
pays, le niveau d’étude, la profession, ...
• les personnes de même type recevront les mêmes
Personnalisation
Analyse des usages recommandations.
Modélisation
I Système de recommandation de groupe [Masthoff2011]
Recommandation
• deux personnes d’un même groupe auront les mêmes
Plan du cours recommandations.
Bibliographie • les SR démographiques en sont un exemple.

Système de recommandations personnalisées : chaque

utilisateur reçoit des recommandations en fonctions de
ses goûts et de ses préférences.
16 / 46
 Typologie des systèmes de recommandations

Système de recommandations non personnalisées : ne

fournit pas de recommandations individualisées.
Contexte I Recommander les items les plus populaires : les films les
Assistant plus populaires, les produits les plus vendus,...
intelligent I Système de recommandation démographique
Les systèmes de [Kobsa et al.2001]
recommandations
• le filtrage se fait sur des données démographiques : l’âge, le
S.R.
personnalisées
pays, le niveau d’étude, la profession, ...
• les personnes de même type recevront les mêmes
Personnalisation
Analyse des usages recommandations.
Modélisation
I Système de recommandation de groupe [Masthoff2011]
Recommandation
• deux personnes d’un même groupe auront les mêmes
Plan du cours recommandations.
Bibliographie • les SR démographiques en sont un exemple.

Système de recommandations personnalisées : chaque

utilisateur reçoit des recommandations en fonctions de
ses goûts et de ses préférences.
16 / 46
 Plan

1 Contexte
Contexte 2 Assistant intelligent
Assistant
intelligent
3 Les systèmes de recommandations
Les systèmes de
recommandations
4 S.R. personnalisées
S.R.
personnalisées
5 Personnalisation
Personnalisation
Analyse des usages Analyse des usages
Modélisation

Recommandation
Modélisation
Plan du cours 6 Recommandation
Bibliographie
7 Plan du cours
8 Bibliographie

16 / 46
 Domaines d’application

Contexte
E-commerce : Amazon, Fnac
Assistant
intelligent Loisir
Les systèmes de I Vidéo à la demande : Netflix, MovieLens
recommandations I La télévision
S.R. I Voyages,...
personnalisées

Personnalisation e-learning
Analyse des usages
Modélisation Le ciblage publicitaire, les news, les livres
Recommandation Banques en ligne
Plan du cours
La recherche
Bibliographie
e-santé

17 / 46
 Domaines d’application
Exemple : loisir

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

18 / 46
 Domaines d’application
Exemple : réseaux sociaux

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

19 / 46
 Domaines d’application
Exemple : e-learning

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

20 / 46
 Domaines d’application
Exemple : e-commerce

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

21 / 46
 Motivations

Contexte

Assistant
intelligent

Les systèmes de
Chiffres non officiels :
recommandations I Amazon déclare que 30% des produits vendus
S.R.
personnalisées
proviennent des résultats des recommandations
Personnalisation
(2012)
Analyse des usages I Le moteur de recommandation de Netflix engendre
Modélisation
75% des vues (2012)
Recommandation

Plan du cours

Bibliographie

22 / 46
 Quelques termes à connaître

Item : terme utilisé pour désigner ce que le système

recommande
Contexte I unité élémentaire et insécable
Assistant I repéré par un identifiant unique dans le système
intelligent
I peut être matérialisé par un lien hypertexte dans le cas
Les systèmes de
recommandations d’application web.
S.R.
I un seul type d’item est généralement traité
personnalisées I musique à écouter, livre à lire, film à regarder,...
Personnalisation
Analyse des usages
Utilisateur courant : utilisateur connecté, en
Modélisation
interaction avec le e-service et recevant des
Recommandation
recommandations.
Plan du cours

Bibliographie
Item pertinent : ressource ayant de l’intérêt pour un
utilisateur donné. Chaque utilisateur a ses propres
préférences.
Recommandations : liste d’items proposée de façon
automatique à l’utilisateur courant.
23 / 46
 Quelques termes à connaître

Item : terme utilisé pour désigner ce que le système

recommande
Contexte I unité élémentaire et insécable
Assistant I repéré par un identifiant unique dans le système
intelligent
I peut être matérialisé par un lien hypertexte dans le cas
Les systèmes de
recommandations d’application web.
S.R.
I un seul type d’item est généralement traité
personnalisées I musique à écouter, livre à lire, film à regarder,...
Personnalisation
Analyse des usages
Utilisateur courant : utilisateur connecté, en
Modélisation
interaction avec le e-service et recevant des
Recommandation
recommandations.
Plan du cours

Bibliographie
Item pertinent : ressource ayant de l’intérêt pour un
utilisateur donné. Chaque utilisateur a ses propres
préférences.
Recommandations : liste d’items proposée de façon
automatique à l’utilisateur courant.
23 / 46
 Quelques termes à connaître

Item : terme utilisé pour désigner ce que le système

recommande
Contexte I unité élémentaire et insécable
Assistant I repéré par un identifiant unique dans le système
intelligent
I peut être matérialisé par un lien hypertexte dans le cas
Les systèmes de
recommandations d’application web.
S.R.
I un seul type d’item est généralement traité
personnalisées I musique à écouter, livre à lire, film à regarder,...
Personnalisation
Analyse des usages
Utilisateur courant : utilisateur connecté, en
Modélisation
interaction avec le e-service et recevant des
Recommandation
recommandations.
Plan du cours

Bibliographie
Item pertinent : ressource ayant de l’intérêt pour un
utilisateur donné. Chaque utilisateur a ses propres
préférences.
Recommandations : liste d’items proposée de façon
automatique à l’utilisateur courant.
23 / 46
 Quelques termes à connaître

Item : terme utilisé pour désigner ce que le système

recommande
Contexte I unité élémentaire et insécable
Assistant I repéré par un identifiant unique dans le système
intelligent
I peut être matérialisé par un lien hypertexte dans le cas
Les systèmes de
recommandations d’application web.
S.R.
I un seul type d’item est généralement traité
personnalisées I musique à écouter, livre à lire, film à regarder,...
Personnalisation
Analyse des usages
Utilisateur courant : utilisateur connecté, en
Modélisation
interaction avec le e-service et recevant des
Recommandation
recommandations.
Plan du cours

Bibliographie
Item pertinent : ressource ayant de l’intérêt pour un
utilisateur donné. Chaque utilisateur a ses propres
préférences.
Recommandations : liste d’items proposée de façon
automatique à l’utilisateur courant.
23 / 46
 Quelques termes à connaître

Item : terme utilisé pour désigner ce que le système

recommande
Contexte I unité élémentaire et insécable
Assistant I repéré par un identifiant unique dans le système
intelligent
I peut être matérialisé par un lien hypertexte dans le cas
Les systèmes de
recommandations d’application web.
S.R.
I un seul type d’item est généralement traité
personnalisées I musique à écouter, livre à lire, film à regarder,...
Personnalisation
Analyse des usages
Utilisateur courant : utilisateur connecté, en
Modélisation
interaction avec le e-service et recevant des
Recommandation
recommandations.
Plan du cours

Bibliographie
Item pertinent : ressource ayant de l’intérêt pour un
utilisateur donné. Chaque utilisateur a ses propres
préférences.
Recommandations : liste d’items proposée de façon
automatique à l’utilisateur courant.
23 / 46
 Système de recommandations
personnalisées

intéractions
Contexte
utilisateur Objectifs
courant
Assistant 1 Modéliser ses préférences
intelligent e-service
Système de
2 Filtrer les items suivant les
Les systèmes de
recommandation Items goûts de l’utilisateur courant
recommandations
personnalisée pertinents
S.R.
personnalisées

Personnalisation
Analyse des usages Par analyse des usages
Modélisation

Recommandation Inférer les appréciations à partir de ses différentes

Plan du cours interactions
Bibliographie Appréciation
I intérêt ou désintérêt pour un item
I attribuée explicitement
I déduite à partir de ses différentes actions

24 / 46
 Système de recommandations
personnalisées

intéractions
Contexte
utilisateur Objectifs
courant
Assistant 1 Modéliser ses préférences
intelligent e-service
Système de
2 Filtrer les items suivant les
Les systèmes de
recommandation Items goûts de l’utilisateur courant
recommandations
personnalisée pertinents
S.R.
personnalisées

Personnalisation
Analyse des usages Par analyse des usages
Modélisation

Recommandation Inférer les appréciations à partir de ses différentes

Plan du cours interactions
Bibliographie Appréciation
I intérêt ou désintérêt pour un item
I attribuée explicitement
I déduite à partir de ses différentes actions

24 / 46
 Système de recommandations
personnalisées

intéractions
Contexte
utilisateur Objectifs
courant
Assistant 1 Modéliser ses préférences
intelligent e-service
Système de
2 Filtrer les items suivant les
Les systèmes de
recommandation Items goûts de l’utilisateur courant
recommandations
personnalisée pertinents
S.R.
personnalisées

Personnalisation
Analyse des usages Par analyse des usages
Modélisation

Recommandation Inférer les appréciations à partir de ses différentes

Plan du cours interactions
Bibliographie Appréciation
I intérêt ou désintérêt pour un item
I attribuée explicitement
I déduite à partir de ses différentes actions

24 / 46
 Plan

1 Contexte
Contexte 2 Assistant intelligent
Assistant
intelligent
3 Les systèmes de recommandations
Les systèmes de
recommandations
4 S.R. personnalisées
S.R.
personnalisées
5 Personnalisation
Personnalisation
Analyse des usages Analyse des usages
Modélisation

Recommandation
Modélisation
Plan du cours 6 Recommandation
Bibliographie
7 Plan du cours
8 Bibliographie

24 / 46
 Appréciations des utilisateurs
Où les trouver ?

Ce que l’utilisateur déclare

Contexte
Ce que l’utilisateur fait
Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

25 / 46
 Appréciations des utilisateurs
Noter

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

26 / 46
 Appréciations des utilisateurs
Voter

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

27 / 46
 Appréciations des utilisateurs
Voter

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

28 / 46
 Appréciations des utilisateurs
Voter

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

29 / 46
 Appréciations des utilisateurs
Annoter/Review

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

30 / 46
 Appréciations des utilisateurs
Annoter et voter

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

31 / 46
 Appréciations des utilisateurs
Fichier log

Contexte

Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

32 / 46
 Appréciations des utilisateurs
Durée

Contexte

Assistant
intelligent

Les systèmes de
recommandations Temps de lecture
S.R.
personnalisées Temps de visionnage
Personnalisation
Analyse des usages
Temps d’écoute
Modélisation

Recommandation

Plan du cours

Bibliographie

33 / 46
 Analyse des usages
Résumé

Contexte

Assistant
L’analyse des usages doit aboutir à inférer les
intelligent évaluations apportées par l’utilisateur sur les items
Les systèmes de
recommandations
qu’il a consultés.
S.R. Une évaluation indique l’utilité (l’intérêt ou le
personnalisées
désintérêt) que porte l’utilisateur pour un item.
Personnalisation
Analyse des usages
Modélisation
Vote (rating) : le terme utilisé pour représenter une
Recommandation évaluation.
Plan du cours Les données issues de l’analyse des usages seront
Bibliographie
utilisées pour construire le profil utilisateur.

34 / 46
 Profil utilisateur/ Modèle utilisateur

D'autres
données
Contexte

Assistant
intelligent
Modélisation Profil utilisateur
Les systèmes de utilisateur
recommandations

S.R. Analyse
personnalisées
des usages
Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours Modélisation des utilisateurs

Bibliographie Rôle central dans le processus de recommandation
Apprentissage du profil de l’utilisateur
Plusieurs approches définies
Mode de représentation lié aux données collectées
35 / 46
 Plan

1 Contexte
Contexte 2 Assistant intelligent
Assistant
intelligent
3 Les systèmes de recommandations
Les systèmes de
recommandations
4 S.R. personnalisées
S.R.
personnalisées
5 Personnalisation
Personnalisation
Analyse des usages Analyse des usages
Modélisation

Recommandation
Modélisation
Plan du cours 6 Recommandation
Bibliographie
7 Plan du cours
8 Bibliographie

35 / 46
 Problématique générale d’un système de
recommandation

Le problème de recommandation se réduit au

Contexte problème de l’estimation de l’intérêt d’un item non
Assistant
intelligent
encore consulté par l’utilisateur donné.
Les systèmes de Cette estimation est basée sur les votes attribués
recommandations
(explicitement ou implicitement) par ce même
S.R.
personnalisées utilisateur à d’autres ressources qu’il a déjà
Personnalisation consultées.
Analyse des usages
Modélisation
Plusieurs techniques existent pour prédire l’intérêt
Recommandation
d’un item pour un utilisateur donné
Plan du cours

Bibliographie

36 / 46
 Problématique générale d’un système de
recommandation

Le problème de recommandation se réduit au

Contexte problème de l’estimation de l’intérêt d’un item non
Assistant
intelligent
encore consulté par l’utilisateur donné.
Les systèmes de Cette estimation est basée sur les votes attribués
recommandations
(explicitement ou implicitement) par ce même
S.R.
personnalisées utilisateur à d’autres ressources qu’il a déjà
Personnalisation consultées.
Analyse des usages
Modélisation
Plusieurs techniques existent pour prédire l’intérêt
Recommandation
d’un item pour un utilisateur donné
Plan du cours

Bibliographie

36 / 46
 Problématique générale d’un système de
recommandation

Le problème de recommandation se réduit au

Contexte problème de l’estimation de l’intérêt d’un item non
Assistant
intelligent
encore consulté par l’utilisateur donné.
Les systèmes de Cette estimation est basée sur les votes attribués
recommandations
(explicitement ou implicitement) par ce même
S.R.
personnalisées utilisateur à d’autres ressources qu’il a déjà
Personnalisation consultées.
Analyse des usages
Modélisation
Plusieurs techniques existent pour prédire l’intérêt
Recommandation
d’un item pour un utilisateur donné
Plan du cours

Bibliographie

36 / 46
 Techniques de recommandation
Deux Grands principes de filtrage

Contexte

Assistant
Filtrage basé sur le contenu (content-based
intelligent filtering) :
Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours Filtrage collaboratif (collaborative filtering) :

Bibliographie

37 / 46
 Techniques de recommandation
Deux Grands principes de filtrage

Contexte

Assistant
Filtrage basé sur le contenu (content-based
intelligent filtering) : si j’ai apprécié un produit, alors je vais
Les systèmes de
recommandations aussi apprécier un produit similaire.
S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours Filtrage collaboratif (collaborative filtering) :

Bibliographie

37 / 46
 Techniques de recommandation
Deux Grands principes de filtrage

Contexte

Assistant
Filtrage basé sur le contenu (content-based
intelligent filtering) : si j’ai apprécié un produit, alors je vais
Les systèmes de
recommandations aussi apprécier un produit similaire.
S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours Filtrage collaboratif (collaborative filtering) : j’ai les

Bibliographie mêmes goûts et préférences que mes amis.

37 / 46
 Techniques de recommandation
S.R. Collaboratifs

Les items recommandés à l’utilisateur sont ceux appréciés par les

utilisateurs avec lesquels il partage des goûts et des préférences
Contexte

Assistant
similaires.
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

38 / 46
 Techniques de recommandation
S.R. Basées sur le contenu

Les items recommandés à l’utilisateur sont ceux similaires aux items

Contexte
qu’il a déjà appréciés par le passé.
Assistant
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

39 / 46
 Techniques de recommandation
S.R. Basées sur les connaissances

Les items recommandés à l’utilisateur sont ceux similaires aux items

qu’il a déjà appréciés par le passé
Les items doivent vérifier un ensemble de contraintes (définies dans le
Contexte modèle de connaissance).
Assistant Fait partie des filtrages basés sur le contenu.
intelligent

Les systèmes de
recommandations

S.R.
personnalisées

Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

40 / 46
 Domaine de recherche

Contexte Domaine de recherche à part entière depuis 1994 à la

Assistant suite de la publication des premiers articles :
intelligent

Les systèmes de
recommandations
sur le filtrage collaboratif, le premier étant
S.R.
[Goldberg et al.1992] où l’expression filtrage
personnalisées collaboratif a été introduite pour la première fois.
Personnalisation
Analyse des usages
Modélisation

Recommandation

Plan du cours
sur les systèmes de recommandations
Bibliographie [Resnick et al.1994, Shardanand and Maes1995,
Hill et al.1995].

41 / 46
 Domaine de recherche
Domaine pluridisciplinaire

Contexte

Assistant Puise ses racines à partir : I.A., sciences cognitives,

intelligent
théorie de l’approximation, la recherche
Les systèmes de
recommandations documentaire, les théories prévisionnelles, le filtrage
S.R.
personnalisées
de l’information,...
Personnalisation
Analyse des usages
Modélisation

Recommandation A des liens avec la modélisation des choix des

Plan du cours consommateurs en marketing, le béhaviorisme, la
Bibliographie
sociologie, la psychologie,...

42 / 46
 Plan

1 Contexte
Contexte 2 Assistant intelligent
Assistant
intelligent
3 Les systèmes de recommandations
Les systèmes de
recommandations
4 S.R. personnalisées
S.R.
personnalisées
5 Personnalisation
Personnalisation
Analyse des usages Analyse des usages
Modélisation

Recommandation
Modélisation
Plan du cours 6 Recommandation
Bibliographie
7 Plan du cours
8 Bibliographie

42 / 46
 Plan du cours

Contexte

Assistant
intelligent
1 Introduction
Les systèmes de
recommandations 2 Les systèmes de recommandation personnalisée
S.R.
personnalisées
3 Le filtrage collaboratif
Personnalisation
Analyse des usages
Modélisation
4 Évaluation des systèmes de recommandation
Recommandation

Plan du cours
5 Le filtrage basé sur le contenu
Bibliographie

43 / 46
 Plan

1 Contexte
Contexte 2 Assistant intelligent
Assistant
intelligent
3 Les systèmes de recommandations
Les systèmes de
recommandations
4 S.R. personnalisées
S.R.
personnalisées
5 Personnalisation
Personnalisation
Analyse des usages Analyse des usages
Modélisation

Recommandation
Modélisation
Plan du cours 6 Recommandation
Bibliographie
7 Plan du cours
8 Bibliographie

43 / 46
 Bibliographie I

Anne Boyer, Armel Brun, and Azim Roussanaly.

Projet d’équipe kiwi (knowledge, information and web intelligence).
Technical report, http ://[Link]/, 2008.
Contexte
Peter Brusilovsky.
Assistant
Adaptive navigation support.
intelligent
In Peter Brusilovsky, Alfred Kobsa, and Wolfgang Nejdl, editors, The Adaptive Web, volume 4321
Les systèmes de of Lecture Notes in Computer Science, pages 263–290. Springer Berlin Heidelberg, 2007.
recommandations
Andrea Bunt, Giuseppe Carenini, and Cristina Conati.
S.R. Adaptive content presentation for the web.
personnalisées In Peter Brusilovsky, Alfred Kobsa, and Wolfgang Nejdl, editors, The Adaptive Web, volume 4321
of Lecture Notes in Computer Science, pages 409–432. Springer Berlin Heidelberg, 2007.
Personnalisation
Analyse des usages Krzysztof Z. Gajos, Katherine Everitt, Desney S. Tan, Mary Czerwinski, and Daniel S. Weld.
Modélisation
Predictability and accuracy in adaptive user interfaces.
Recommandation In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, CHI ’08,
pages 1271–1274, New York, NY, USA, 2008. ACM.
Plan du cours
David Goldberg, David Nichols, Brian M. Oki, and Douglas Terry.
Bibliographie Using collaborative filtering to weave an information tapestry.
Commun. ACM, 35(12) :61–70, December 1992.

44 / 46
 Bibliographie II

Will Hill, Larry Stead, Mark Rosenstein, and George Furnas.

Recommending and evaluating choices in a virtual community of use.
In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, CHI ’95,
Contexte pages 194–201, New York, NY, USA, 1995. ACM Press/Addison-Wesley Publishing Co.
Assistant Alfred Kobsa, Jürgen Koenemann, and Wolfgang Pohl.
intelligent
Personalised hypermedia presentation techniques for improving online customer relationships.
Les systèmes de Knowl. Eng. Rev., 16(2) :111–155, March 2001.
recommandations
Judith Masthoff.
S.R. Group recommender systems : Combining individual models.
personnalisées In Francesco Ricci, Lior Rokach, Bracha Shapira, and Paul B. Kantor, editors, Recommender
Systems Handbook, pages 677–702. Springer US, 2011.
Personnalisation
Analyse des usages Alessandro Micarelli, Fabio Gasparetti, Filippo Sciarrone, and Susan Gauch.
Modélisation Personalized search on the world wide web.
In Peter Brusilovsky, Alfred Kobsa, and Wolfgang Nejdl, editors, The Adaptive Web, volume 4321
Recommandation
of Lecture Notes in Computer Science, pages 195–230. Springer Berlin Heidelberg, 2007.
Plan du cours
David R. Millen, Jonathan Feinberg, and Bernard Kerr.
Bibliographie Dogear : Social bookmarking in the enterprise.
In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, CHI ’06,
pages 111–120, New York, NY, USA, 2006. ACM.

45 / 46
 Bibliographie III

Paul Resnick, Neophytos Iacovou, Mitesh Suchak, Peter Bergstrom, and John Riedl.
GroupLens : an open architecture for collaborative filtering of netnews.
In The 1994 ACM conference on Computer supported cooperative work, page 175–186, 1994.
Contexte
Upendra Shardanand and Pattie Maes.
Assistant
Social information filtering : Algorithms for automating &ldquo ;word of mouth&rdquo ;.
intelligent
In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, CHI ’95,
Les systèmes de pages 210–217, New York, NY, USA, 1995. ACM Press/Addison-Wesley Publishing Co.
recommandations
Barry Smyth, Evelyn Balfe, Oisin Boydell, Keith Bradley, Peter Briggs, Maurice Coyle, and Jill
S.R. Freyne.
personnalisées A live-user evaluation of collaborative web search.
In Proceedings of IJCAI 2005, the 19th International Joint Conference on Artificial Intelligence,
Personnalisation volume 5, page 1419–1424, 2005.
Analyse des usages
Modélisation

Recommandation

Plan du cours

Bibliographie

46 / 46