Les systèmes de recommandations et la mobilité

En contexte de mobilité, la localisation géographique de l’utilisateur est le premier filtre qui va venir s’ajouter au filtre traditionnel du profil de l’utilisateur. Les premiers services associant la localisation ont été développés dans les systèmes de navigation pour automobile maintenant largement diffusés. Le conducteur peut ainsi recevoir des conseils de guidage tout au long de son trajet, avec des messages visuels ou audio lui indiquant la route à suivre. Ces conseils utilisent la connaissance de l’itinéraire préalablement calculé et de la position instantanée du véhicule. Plus récemment, les « Location-based Services ou LBS », utilisant la position du mobile obtenue par triangulation permettent d’envisager le même type de services pour des piétons (Chelcea, Gallais, & Trousse, 2004). Ce genre d'application se base sur l'évolution continuelle des appareils mobiles et des technologies de la communication. Il est de plus en plus accessible non seulement dans de vastes environnements urbains, mais aussi dans les centres commerciaux, musées et autres environnements intérieurs. Pour cette raison, les LBSs ont été appliqués dans les services d'urgences, les services de tourisme, services de transport intelligents, les jeux, les services d'assistance, etc. (Raper, Gartner, Karimi, & Rizos, 2007).

Dans ce type de scénario, la découverte des paramètres décrivant le contexte d’apprentissage mobile se fait à partir d’un terminal lors d’une session sur Internet. Ces paramètres permettent de fournir un contenu qui s’adapte automatiquement au terminal (taille et résolution d’écran), à son mode d’accès (clavier de bureau, reconnaissance vocale,…), à sa puissance de calcul, ses capacités de stockage et bien sûr aux capacités du réseau de communication (Thevenin & Coutaz, 1999). L’intérêt pour les personnes à mobilité réduite est évident : passage automatique du terminal en mode vocal, sélection transparente des systèmes d’information adaptés aux déficients visuels, choix des modes de transport adaptés (transport en commun, transport à la demande), délivrance d’un message personnalisé à l’arrivée (Chelcea, Gallais, & Trousse, 2004).

D'autre part, les systèmes de recommandation, et notamment le filtrage collaboratif, sont traditionnellement utilisés dans les domaines du e-commerce et de la navigation web pour suggérer des ressources pertinentes aux utilisateurs au moment adéquat.

Ces dernières années, le domaine du m-commerce a émergé favorisant les services de recommandations diffusées sur un mobile impliquant une adaptation aux nouvelles contraintes de ce type de terminaux (batterie, capacité d’accueil,…) (Zenebe, Ozok, & Norcio, 2005). Dans ce contexte, le m-commerce est actuellement considéré par certains acteurs comme un complément et un remplaçant potentiel du e-commerce (Brun & Boyer, 2010). La recherche dans le domaine des systèmes de recommandation en m-commerce s’est d’ailleurs accélérée ces dernières années. Dans ce cadre, les applications sont nombreuses et variées, nous pouvons mentionner par exemple le tourisme (Wang, Stash, Aroyo, Hollink, & G, 2009) ou la recommandation dans le domaine de la restauration (Hosseini-Pozveh, Nematbakhsh, & Movahhedinia, 2009). Ce type d'applications peut aider les touristes pendant leurs visites d'une région durant un ou plusieurs jours. Cependant, parfois, il n'est pas possible de visiter toutes les attractions touristiques ou les sites du patrimoine culturel lors cette période limitée. Le touriste doit donc faire une sélection des points d'intérêt (POI) à visiter.

Niaraki et Kim ont développé une méthode pour personnaliser la planification d'itinéraire. Ils évaluent plusieurs critères qui sont définis dans une ontologie décrivant les segments de la route à suivre. L'utilisateur déclare ses préférences comme le volume de trafic, le nombre de POIs à parcourir, etc. Des algorithmes comme le plus court chemin de Dijkstra22 peuvent être utilisés pour calculer des itinéraires personnels du point de départ au point d'arrivée sur la base de ces déclarations (Niaraki & Kim, 2009).

Yu et Chang ont élaboré un cadre pour la recommandation personnalisée des hôtels, des restaurants et des POIs. Ils ont combiné ces trois fonctionnalités dans un processus de recommandation de tournée qui recommande une visite personnalisée sur la base de l’heure actuelle et du lieu où se trouve l'utilisateur ainsi que ses centres d’intérêts (Yu & Chang, 2009). Dans ce contexte, nous pouvons définir le « m-tourisme » comme un terme qui désigne les applications liées à l'industrie du tourisme et aux nouvelles technologies.

City Trip Planner2 peut être considéré comme un exemple de « m-tourisme » car il permet de faire des excursions en ville adaptées au contexte de l'utilisateur et à ses intérêts personnels. Ce système prévoit des visites sur plusieurs jours en proposant pour chaque POI de multiples créneaux horaires qui peuvent changer quotidiennement. En outre, les pauses de déjeuner peuvent également être programmées et l'office de tourisme local peut suggérer quelques POIs à inclure dans le voyage initial. D'autre part, City Trip Planner2 intègre la sélection et le routage entre ces POIs (Vansteenwegen, Souffriau, Vanden Berghe, & Van Oudheusden, 2010).

La figure 14 montre un autre exemple plus récent d'application de type « m-tourisme » nommé « Aurigo » qui permet aussi de planifier des itinéraires pour faire une visite personnalisée. Cette application se base sur un algorithme de recommandation et sur une interface de visualisation utilisant une carte interactive (Yahi, et al., 2015).

Figure 14: La page d'exploration de Aurigo décrit une tournée composée de (a) la distance totale, (b) la barre de filtre, (c) le rayon, (d) le panneau de description, (e) la carte et (f) la Route

D'autre part, la plate-forme GAT offre une solution pour la construction rapide d'application de type « m-tourisme ». Cette plateforme permet de faire la gestion automatique des connaissances liées au contexte. Elle permet aussi la génération d'applications sur des dispositifs mobiles (Smartphone) tout en supportant les deux types d'environnements (indoor et outdoor) ainsi que des technologies comme le GPS, Wi-Fi, Bluetooth et les codes QR (Rodriguez-Sanchez, Martinez-Romo, Borromeo, & Hernandez-Tamames, 2013).

Cet état de l'art permet de recenser les domaines et les travaux utilisant la recommandation dans un contexte de mobilité. Les LBSs regroupent plusieurs domaines comme le m-commerce ou m-tourisme exploitant un service de localisation et les profils déclarés par les utilisateurs.

Dans notre thèse, nous allons nous intéresser à la localisation des POIs dans le cadre du déroulement du scénario de la sortie pédagogique. Toutefois, nous pouvons intégrer certaines fonctionnalités spécifiques au LBSs comme la planification de la visite ou l'enrichissement des POIs par l'office de tourisme, etc. Cependant, la recommandation des POIs dans le cas du m-tourisme ou du m-commerce n’intègre pas tous les éléments nécessaires à un objectif pédagogique.