Les agents de recommandation, quant à eux, visent à optimiser la recherche d’information de l’internaute en lui proposant automatiquement de nouveaux documents au regard de ses besoins ou de ses actions. Ils reposent essentiellement sur une approche Push proposant des informations à l’utilisateur et une caractérisation des besoins au moyen d’un profil utilisateur. Nous présentons différentes catégories d’agents de recommandation en fonction des buts recherchés.
Dans un premier temps, nous soulignons les agents qui proposent les liens qui mènent vers des informations répondant aux besoins de l’utilisateur. Ceci permet notamment à l’utilisateur d’optimiser sa navigation en se consacrant à des documents potentiellement pertinents. Les systèmes Letizia [Lieberman, 1995], WebWatcher [Armstrong, 1995] ou encore
BroadWay [Jaczynski, 1997] sont de bons représentants de cette catégorie.
Letizia utilise les documents visités comme base du profil utilisateur. Celui-ci est
construit à partir des termes issus des documents visités et des actions de l’utilisateur (ajout dans les signets par exemple). Lors de la visite d’un document, Letizia télécharge le contenu de tous les documents liés au document courant pour en évaluer l’appariement avec le profil utilisateur. Les liens menant vers des documents pertinents sont présentés à l’utilisateur au moyen d’une fenêtre annexe.
Webwatcher demande à l’utilisateur de formuler ses besoins explicitement (au travers
d’une requête). Chacun des documents visités est annoté par les termes de la requête de l’utilisateur ainsi que par un jugement de pertinence de la part de l’utilisateur. A chaque visite d’un document, Webwatcher recherche les liens pointant vers des documents similaires aux besoins de l’utilisateur. Cet appariement est réalisé grâce aux annotations laissées par les utilisateurs ayant précédemment visité le document et la requête de l’utilisateur qui navigue. Les liens pointant vers des documents susceptibles d’intéresser l’utilisateur sont présentés directement au sein du document visité au moyen d’icônes.
Broadway poursuit le même but mais s’appuie sur une démarche légèrement différente
car il repose sur l’idée que si plusieurs utilisateurs suivent le même parcours au sein de l’hypertexte, c’est vraisemblablement qu’ils recherchent les mêmes informations. Le profil utilisateur repose cette fois-ci sur une représentation de la navigation en cours. La
représentation de la navigation est construite à partir de séries temporelles correspondant à quatre variables : le vecteur descripteur du document visité, l’évaluation explicite faite par l’utilisateur, le temps de lecture et l’URL du document. L’échelle de temps appliquée à ces séries temporelles correspond à une visite. Pour identifier les documents pertinents,
Broadway utilise le concept de raisonnements par cas sur les représentations des navigations
antérieures. Les documents ainsi retrouvés sont présentés à l’utilisateur au moyen d’une fenêtre annexe.
Du point de vue du résultat, la principale différence entre ces trois agents est la profondeur de recommandation. Dans Letizia ou Webwatcher, les recommandations ne concernent que les documents directement liés au document courant, tandis que Broadway anticipe en quelque sorte la navigation en proposant des documents liés par transitivité au document courant.
Les systèmes précédents n’indiquent à l’utilisateur que les documents potentiellement pertinents pour la navigation en cours. Or, il est tout aussi intéressant d’informer l’utilisateur sur le fait que le document qu’il est en train de visiter est pertinent (ou non pertinent) pour les thèmes qui l’intéressent. Le système Syskill & Webert [Pazzani, 1996] vise à remplir cette tâche. L’utilisateur peut créer autant de thèmes que nécessaire avec la restriction que les thèmes sont organisés sous forme de liste non hiérarchique. A chaque fois qu’il trouve un document pertinent (ou non pertinent) pour les thèmes qu’il a créé, l’utilisateur le signale au système qui met à jour un profil correspondant au thème. Lors de la navigation, le système indique à l’utilisateur si le document qu’il visite est pertinent (ou non pertinent) pour les thèmes qu’il possède.
De façon plus générale, certains agents peuvent également prendre en considération l’environnement de recherche de l’utilisateur (ensemble des applications) pour déduire ses besoins et lui recommander des documents qui ne sont pas forcément reliés (par des liens hypertextes) aux documents visités. WBI [Barrett, 1997], par exemple, étudie les actions de l’utilisateur et organise les documents visités en classes représentant les besoins des utilisateurs. A partir de ces besoins, WBI interroge des outils de recherche pour proposer le résultat de recherche aux utilisateurs. Il propose en outre des fonctionnalités de gestion d’historique, de notification (signale les modifications dans le contenu d’un document) et de génération de raccourcis (un utilisateur qui, chaque jour, utilise la même séquence de liens pour atteindre un document se verra proposer un raccourci vers celui-ci). Cette approche repose sur une architecture multi-agents et l’interface de WBI est intégrée aux documents web.
Fab [Balabanovic, 1997] repose également sur une approche multi-agents qui rapproche
les individus par centres d’intérêt. Le système collecte ensuite des documents sur le web grâce à un agent spécifique qui recherche les thèmes intéressant des utilisateurs, pour les leur proposer. Un document est recommandé s’il correspond bien au profil de l’utilisateur ou s’il correspond au profil d’un utilisateur proche. Le profil est construit à partir des jugements exprimés par les utilisateurs concernant les documents recommandés.
Le système Watson [Budzik, 1999] apporte une innovation concernant l’identification d’expressions régulières dans les documents visités (comme les adresses par exemple) afin de proposer des services contextuels à l’utilisateur. Pour une adresse identifiée, Watson propose
à l’utilisateur la génération d’un plan urbain permettant de localiser celle-ci. L’interface de
Watson est présentée dans une fenêtre indépendante.
Dans le contexte de l’étude de l’environnement de travail de l’utilisateur pour la construction de son profil, l’approche de Suitor [Maglio, 2000] innove par différentes fonctionnalités. Il utilise notamment une fenêtre déroulante permettant d’afficher les informations proposées par Suitor en base de l’écran, mais il propose surtout un système permettant de suivre le regard de l’utilisateur afin d’identifier les parties de l’écran qu’il visionne.
Dans une toute autre approche, SiteSeer [Rücker, 1997] est un agent permettant de proposer à un utilisateur des signets directement dans la hiérarchie de signets qu’il possède. Ce système repose sur la couverture entre les différents répertoires des hiérarchies de signets des utilisateurs du système. En effet, plus la couverture entre le contenu de deux répertoires de deux utilisateurs respectifs est importante, plus les deux répertoires traitent d’un thème similaire. Ainsi, les documents n’entrant pas dans la couverture composée par le contenu des deux répertoires sont jugés pertinents et sont proposés pour le répertoire de l’utilisateur qui ne les possède pas.