Le moteur de recommandation, quant `a lui, se d´ecoupe en deux parties principales :
l’ap-prentissage de la cat´egorie de l’utilisateur et le calcul de la recommandation. Dans un premier temps, l’apprentissage de la cat´egorie de l’utilisateur est effectu´e. Le profil de l’utilisateur est analys´e afin de d´eterminer les donn´ees explicites et/ou implicites dont on dispose sur l’utilisa-teur. Les donn´ees explicites sont difficiles `a obtenir car les utilisateurs ne prennent pas le temps de renseigner leur profil ou encore se montrent r´eticents `a l’id´ee de donner des informations les concernant. De ce fait, les donn´ees implicites, dites donn´ees de navigation, peuvent ˆetre utili-s´ees afin de compl´eter un profil peu renseign´e. Cependant, bien que plus facilement collectables, elles sont moins fiables que les donn´ees explicites car leur interpr´etation peut ˆetre erron´ee. La premi`ere ´etape de l’apprentissage consiste `a s´electionner les donn´ees `a utiliser dans le profil de l’utilisateur. Celles-ci peuvent ˆetre explicites et/ou implicites. Cette ´etape permet ´egalement de distinguer les nouveaux utilisateurs des utilisateurs implicites. En effet, un utilisateur n’ayant pas de notes explicites peut ˆetre soit implicite s’il poss`ede des notes implicites, soit nouveau s’il ne poss`ede aucune note.
2.2 Le moteur de recommandation 53
Dans un deuxi`eme temps, les donn´ees s´electionn´ees sont analys´ees afin de d´eduire `a quel type de recommandations l’utilisateur est le plus sensible et donc `a quelle cat´egorie il appar-tient. L’utilisateur peut ˆetre plus int´eress´e par les items similaires `a ceux qu’il a l’habitude de consommer, dans ce cas l`a, il s’agit d’un utilisateur aux centres d’int´erˆet bas´es sur le contenu. S’il est souvent influenc´e par les centres d’int´erˆet des autres, l’utilisateur aura des centres d’in-t´erˆet plutˆot guid´es par la communaut´e (utilisateur collaboratif). S’il est int´eress´e par les deux types de recommandations, il s’agira d’un utilisateur hybride. Autrement, l’utilisateur est dit impr´evisible. La partie apprentissage repr´esente donc le cœur de l’adaptation du syst`eme.
La partie recommandation prend en entr´ee la cat´egorie de l’utilisateur issue de la partie apprentissage ainsi que le profil de l’utilisateur, une ontologie et l’ensemble des profils de tous les utilisateurs. En plus de permettre de d´ecrire formellement les items, leurs propri´et´es et re-lations, l’ontologie de domaine permet au syst`eme d’ˆetre ind´ependant du domaine. En effet, la connaissance du domaine est enti`erement d´ecrite dans l’ontologie. Quant aux calculs et raison-nements effectu´es dans le syst`eme, ils sont g´en´eriques et reposent sur les concepts et relations se trouvant dans l’ontologie.
Nous avons d´efini deux mesures s´emantiques pour le processus de recommandation. La
me-sure de similarit´e s´emantique permet de calculer la similarit´e entre deux instances de l’ontologie,
ce qui permet par exemple de calculer la similarit´e entre deux items. Elle intervient dans les
modules de recommandation ainsi que dans la mesure d’int´erˆet. La mesure d’int´erˆet quant `a elle permet de calculer le degr´e d’int´erˆet de l’utilisateur pour un item donn´e. Cette mesure permet de filtrer les recommandations peu pertinentes. Par ailleurs, deux modules de recommandation ont ´egalement ´et´e d´efinis. L’ensemble des profils des utilisateurs intervient dans le module col-laboratif afin de g´en´erer des r`egles d’association utilis´ees pour la recommandation. Ces r`egles d’association sont enrichies grˆace `a la mesure de similarit´e s´emantique sus-cit´ee, ce qui permet
d’atteindre les items similaires. Le module de recommandation s´emantique repose enti`erement
sur la mesure s´emantique qui d´etecte les items similaires `a ceux appr´eci´es par l’utilisateur afin de les recommander.
La cat´egorie de l’utilisateur issue de l’apprentissage permet de s´electionner l’hybridation ad´equate des mesures et des modules de recommandation. Cette hybridation offre la possibilit´e de garder la trace d’ex´ecution du processus de recommandation et d’apporter `a l’utilisateur une explication du r´esultat pr´esent´e.
Chapitre 3
L’apprentissage des cat´egories
d’utilisateurs
L’apprentissage des cat´egories d’utilisateurs repr´esente une ´etape essentielle dans l’approche pr´esent´ee. En effet, le postulat de d´epart est que les utilisateurs se distinguent par leur
compor-tement dans le syst`eme et que ce comportement permet de d´eterminer le processus de
recom-mandation `a adopter.
Il s’agit ici de r´ecolter des informations sur l’utilisateur dans un profil conforme `a un mo-d`ele utilisateur pr´e´etabli. Les donn´ees `a utiliser (explicites et/ou implicites), le processus de recommandation `a ex´ecuter et la m´ethode d’´evaluation `a adopter sont d´etermin´es.
Nous pr´esentons dans un premier temps notre mod`ele utilisateur et d´ecrivons les donn´ees que nous avons utilis´ees (section 3.1). Puis dans la section 3.2, nous proc´edons `a la d´efinition du processus de classification des utilisateurs en cat´egories qui analyse les donn´ees contenues dans le mod`ele utilisateur afin d’attribuer `a chaque utilisateur la cat´egorie la plus ad´equate.
3.1 Le mod`ele utilisateur
Nous nous basons sur un mod`ele utilisateur simple. En effet, dans une optique d’ind´
epen-dance du domaine, nous n’int´egrons pas les multiples dimensions introduites dans l’´etat de l’art (voir chapitre 2.3) car certaines dimensions sont sp´ecifiques `a certains domaines, par exemple, le niveau de connaissances de l’utilisateur est sp´ecifique aux syst`emes adaptatifs ´educationnels. Nous avons donc identifi´e deux types de donn´ees utiles `a l’´elaboration de notre mod`ele utilisateur : les donn´ees explicites et les donn´ees implicites.
Les donn´ees explicites
— Notes attribu´ees aux items
— Expression explicite des pr´ef´erences de l’utilisateur
Ces donn´ees sont les donn´ees r´ecolt´ees explicitement et mises `a jour au fur et `a mesure de la navigation de l’utilisateur dans le syst`eme. Elles requi`erent la participation de l’utilisateur dans la critique des items du syst`eme. De ce fait, ces donn´ees sont fiables mais le plus souvent peu fr´equentes pour certains utilisateurs.
Les donn´ees implicites
— Fr´equence d’utilisation du syst`eme
— Retour sur les recommandations pass´ees
— Items consult´es
— Temps pass´e sur chaque item consult´e
— Nombre de consultations par item — Recherches effectu´ees
Les donn´ees implicites sont celles d´eduites du comportement et de la navigation de l’utilisa-teur dans le syst`eme. Elles sont mises `a jour `a chaque visite de l’utilisateur et servent `a d´eduire ses centres d’int´erˆet. Dans la mesure o`u il ne s’agit que d’estimations, ces donn´ees sont `a utiliser avec prudence car elles peuvent rapidement ˆetre fauss´ees.