- Système de recommandation
-
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.
Sommaire
Résumé
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 explicites :
- Demander à l'utilisateur de classer une collection d'objets en fonction de sa préférences,
- 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'intéresse.
Exemples de collecte implicite de données :
- L'observation des objets que l'utilisateur a vu sur 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 écouté ou regardé,
- 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 celle déjà exitante (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 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, CogniK, Collarity, Daily Me, Genius, inSuggest, iLike, Last.fm, Netflix, Pandora, Reddit, Slacker, Strands, StumbleUpon, StyleFeeder, ulike.net
Voir aussi
Notes et références
Liens externes
- Collection of research papers
- Content-Boosted Collaborative Filtering for Improved Recommendations. Prem Melville, Raymond J. Mooney, and Ramadass Nagarajan
- [PDF]
Groupes de recherche
- GroupLens
- IFI DBIS Next Generation Recommender Systems
- IISM
- Univ. of Southampton IAM Group
- CoFE
- Duine
- LIBRA
- Intelligent Systems and Business Informatics research group at University Klagenfurt, Austria
- Univ. of Fribourg Statistical Physics Group
- KIWI Team (Knowledge, Information and Web Intelligence)
Ateliers
- WI'08 Workshop on Web Personalization, Reputation and Recommender Systems
- WI'07 Workshop on Web Personalization and Recommender Systems
- ACM SIGIR 2001 Workshop on Recommender Systems
- ACM SIGIR '99 Workshop on Recommender Systems
- CHI' 99 Workshop Interacting with Recommender Systems
ACM Recommender Systems Series
Journal special issues
- ACM Transactions on the Web Special issue on Recommenders on the Web
- AI Communications Special issue on Recommender Systems: call for papers
- IEEE Intelligent Systems Special Issue on Recommender Systems, Vol. 22(3), 2007
- International Journal of Electronic Commerce Special Issue on Recommender Systems, Volume 11, Number 2 (Winter 2006-07)
- ACM Transactions on Computer-Human Interaction (TOCHI) Special Section on Recommender Systems Volume 12, Issue 3 (September 2005)
- ACM Transactions on Information Systems (TOIS) Special Issue on Recommender Systems, Volume 22, Issue 1 (January 2004)
- Journal of Information Technology and Tourism Special issue on Recommender Systems, Volume 6, Number 3 (2003)
- Communications of the ACM Special issue on Recommender Systems, Volume 40, Issue 3 (March 1997)
Liens externes
- 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).
Wikimedia Foundation. 2010.
