Les systèmes de recommandations et les réseaux sociaux

Les techniques de recommandation qui utilisent les données issues d'un réseau social sont nommées SNBLs (Social Network-Based Recommendation). La majorité de ces techniques se basent sur les approches traditionnelles de filtrage de contenus ou de filtrage collaboratif avec des améliorations et des extensions qui permettent d'intégrer facilement des données sociales. Dans ce qui suit, nous présentons les trois approches principales associées à ce type de recommandation.

III.5.1.Recommandation basée sur la confiance

Ces dernières années, la croissance des réseaux sociaux a permis le développement des techniques basées sur la confiance (trust-based recommendation). Citons à titre d'exemple, « FilmTrust » et « TrustedOpion » qui sont des systèmes de recommandation de restaurants, cafés, bars et films à travers un site web23_{. Ces formes de recommandation sociales sont organisées en deux étapes}

principales : (1) la construction d'un modèle de confiance et (2) l’utilisation d'un modèle de calcul pour estimer le niveau d'intérêt d’un objet pour un individu (Le Tran, 2011).

Dans la littérature, la notion de « confiance » peut être définie grâce à la relation d'amitié décrite à l'aide du graphe social. En effet, dans un réseau social, les éléments communs entre deux individus (l'appartenance aux mêmes communautés, les objets qu'ils aiment,...) peuvent être utilisés pour calculer une valeur de confiance. Les systèmes de recommandation comme SoNARS adoptent cette définition pour faire un filtrage collaboratif classique basé sur la relation de similarité entre les individus (Carmagnola, Vernero, & Grillo, 2009).

D'autre part, O'Donovan et Smyth intègrent la notion de « réputation » dans la mise en place des systèmes de recommandation. Cette notion est un indicateur de la confiance globale acquise par un utilisateur sur la base de son comportement passé. Cependant, pour améliorer la qualité des recommandations, la notion de « confiance » est introduite au niveau de l’objet (item-level trust) pour exploiter de façon précise la connaissance de chaque individu sur un domaine ou sur une classe d'objets à recommander (O'Donovan & Smyth, 2005).

III.5.2.Exploitation des données textuelles dans le Web social

Parmi les données textuelles générées par les utilisateurs dans le Web social, les tags sont les plus utilisés pour la recommandation. Un tag (ou étiquette) est un mot-clé ou un terme associé à de l'information (par exemple une image, un article, ou un clip vidéo). Les tags sont habituellement choisis de façon personnelle par le créateur ou le consommateur de l'objet. De nombreux réseaux sociaux permettent aux utilisateurs d'ajouter des tags aux objets pour qu'ils puissent les retrouver facilement plus tard. Citons à titre d'exemple, les travaux qui ont montré que les tags sont de bonnes représentations des intérêts des utilisateurs et qu'ils peuvent être utilisés pour retrouver leurs préférences (Le Tran, 2011).

23_{http ://www.trustedopinion.com/}

Dans (Szomszor, Alani, Cantador, O'Hara, & Shadbolt, 2008), la notion de folksonomie (folksonomy en anglais) est considérée comme un système de classification de tags représentant une vue de l'utilisateur sur l'ensemble des contenus d'un système. Dans ce contexte, les auteurs présentent une méthode pour la consolidation automatique des profils des utilisateurs, en fonction de leurs tags à travers plusieurs folksonomies. Cette méthode permet la construction de profil sémantique d'intérêt au travers de quatre étapes :(1) identification des comptes détenus par un individu particulier sur différents réseaux sociaux (2) récolte de l'historique complet des tags relatif à cet individu au sein de chaque réseau (3) filtrage des tags en éliminant les fautes d'orthographe, les synonymes,... et (4) la génération sémantique du profil d'intérêt des utilisateurs à partir des tags filtrés (Le Tran, 2011).

Carmagnola et al. ont utilisé un modèle de la connaissance (knowledge-based model) où le profil d'intérêt de l'utilisateur est représenté par une ontologie. L'objectif de ce modèle est d'utiliser des annotations « sociales » (commentaires et tags) comme un moyen pour déduire des connaissances sur les utilisateurs (Carmagnola, Vernero, & Grillo, 2009). D'autre part, certains systèmes de recommandation utilisent les tags sans considération de l'aspect sémantique. Dans ce cas, seuls les tags sur les objets à recommander sont utilisés. La méthode proposée par Liu est basée sur le graphe tripartite utilisateur-objet-tag (Figure 15) pour calculer le niveau d'intérêt d'un utilisateur pour un objet à partir de ce graphe (Liu, Zhang, & Zhou, 2010).

Figure 15: Le graphe tripartite utilisateur-objet-tag (Liu, Zhang, & Zhou, 2010)

Le système de recommandation de Bank et Franke utilise les évaluations des consommateurs pour découvrir le niveau de satisfaction d'un consommateur sur une caractéristique du produit. Cette analyse se fait en trois étapes :(1) le prétraitement basé sur une analyse syntaxique et linguistique (2) la détection de l'aspect du produit à évaluer et (3) l'analyse du sentiment permettant d'obtenir le niveau de satisfaction du consommateur (Bank & Franke, 2010).

Les études présentées ci-dessus montrent la possibilité d'utiliser les données textuelles pour enrichir le profil de préférences. Ces études ne rencontrent pas le problème de démarrage à froid mais elles sont limitées par leurs complexités (analyse textuelles, linguistiques, modèle de connaissances, ontologies,...).

III.5.3.Exploitation du profil déclaratif

La plupart des sites Internet permettent aux utilisateurs, lors de leurs inscriptions, de déclarer un profil, qui est constitué de données démographiques et de centres d'intérêts. Ces informations peuvent être utilisées pour remplir le profil de préférences des utilisateurs dans un système de recommandation. Cependant, il n'y a pas de systèmes de recommandation existants qui reposent uniquement sur des données démographiques. Un système peut difficilement donner des recommandations pertinentes parce qu'il n’y a pas une corrélation significative entre le goût d'un individu et ses informations démographiques. Néanmoins, on peut utiliser ces données comme une source supplémentaire pour améliorer la performance du système (Pazzani, 1999) (Vozalis & Margaritis, 2006). Citons à titre d'exemple le projet présenté dans (Yapriady & Uitdenbogerd, 2005). Dans celui-ci, les auteurs proposent un filtrage collaboratif des données démographiques afin de recommander de la musique à partir des notes (ratings) attribuées à chaque chanson.

D'autre part, ce type de recommandation est peu précis à cause du profil déclaratif des utilisateurs, mais il présente une bonne solution pour le problème de démarrage à froid car les données démographiques sont toujours disponibles et peuvent être collectées facilement.

III.5.4.Synthèse

Cet état de l'art permet de dresser un panorama de fonctionnalités et de travaux liés à la recommandation dans un réseau social. Il montre que la croissance exponentielle du Web social présente des possibilités intéressantes mais pose de vrais défis pour améliorer les systèmes de recommandation. En effet, les utilisateurs du Web ne sont plus simplement des consommateurs d’informations mais aussi des producteurs de gros volumes de données. Ces sources peuvent être : (1) explicites introduite lors de la déclaration des profils par les utilisateurs ou (2) implicites déduites à partir des interactions entre les participants. Les techniques de recommandation présentées précédemment utilisent ces deux types de sources de données pour développer de nouvelles stratégies pour réduire la surcharge d’informations (trier et filtrer des informations et recommander des amis ou des services dans le réseau social,…). Cependant, les réseaux sociaux peuvent également poser des difficultés car la nature des interactions entre les individus est parfois compliquée à analyser.

Dans le cadre de cette thèse, nous pouvons utiliser les profils déclarés par les apprenants et les interactions existantes entre eux dans le cadre de leur réseau social pour permettre la recommandation de certaines activités d'apprentissage. Cependant, ce type de recommandation souffre du problème de démarrage à froid qui consiste à déterminer les données utiles provenant du Web social pour enrichir le profil de préférences d'un apprenant, particulièrement au début de l'utilisation du système. Toutefois, l'idée d’exploiter les interactions sociales dans notre propre réseau d'apprentissage semble intéressante car elle permet de proposer des recommandations de qualité pendant le déroulement de la visite. Dans ce contexte, nous pouvons définir des notions de « confiance » et de « réputation » à

travers le marquage des parcours par l'instructeur ou les experts élus parmi les apprenants. Ainsi, nous pouvons décrire des notions de « similitudes » entre les apprenants.