l’ensemble des outils numériques déployés à l’heure actuelle, ne doivent pas oublier que leur
finalité est avant tout d’assister les utilisateurs. Les facteurs humains, les processus de décision et
le caractère parfois imprévisible de l’humain sont autant de difficultés qu’il nous faut appréhender
et comprendre afin de fournir de meilleures approches de recommandation. Cependant, cela ne
peut se faire au détriment du respect de la vie privée des utilisateurs qui doivent également
pouvoir rester maîtres de l’information qui leur est proposée.
7.2 Perspectives
Le travail réalisé dans le cadre de cette thèse ayant abouti à notre connaissance à la
propo-sition du premier modèle de l’état de l’art permettant de modéliser l’évolution de la diversité
au cours du temps, ainsi que la proposition d’une nouvelle famille de contextes, les perspectives
offertes sont nombreuses. Nous avons décidé de les classer en deux catégories, celles étant
réali-sables à court terme et celles nécessitant une planification à moyen terme.
7.2.1 Perspectives à court terme
Les approches de détection de changement de contexte implicite que nous avons proposées
ont essentiellement servi à tester nos différentes hypothèses. Nous souhaitons améliorer ces
ap-proches et ce, à différents niveaux. Premièrement, nous projetons de confronter les contextes
implicites que nous détectons au jugement des utilisateurs. Cette approche nous permettra de
confirmer que les contextes implicites font sens pour les utilisateurs, mais également d’obtenir
des retours d’expérience nous permettant de mettre au point d’autres méthodes de détection.
Deuxièmement, il est possible d’adapter les fonctions de détection au profil de chaque utilisateur.
Un utilisateur écoutant majoritairement des musiques de genre rock sera sans doute sensible aux
variations de diversité de certains attributs qui ne seront pas perçues ou jugés pertinents pour un
utilisateur ayant des goûts plus éclectiques. Troisièmement, la gestion des données manquantes
peut être améliorée par l’utilisation de méthodes probabilistes visant à prédire les valeurs des
attributs les plus probables étant donnés les attributs connus, les préférences de l’utilisateur ainsi
que le contexte implicite courant.
Par ailleurs, nous avons présenté dans le dernier chapitre de nombreuses approches de
recom-mandation et d’exploitation des contextes implicites. Nous entendons donc mettre en place des
tests utilisateurs afin d’évaluer ces différentes approches de recommandation en nous
compa-rant aux approches de l’état de l’art. Bien que certains résultats puissent être obtenus à partir
des corpus hors ligne, nous soutenons l’idée selon laquelle les bénéfices de notre modèle et des
différentes approches de recommandation ne pourront être maximisés qu’en situation réelle
d’uti-lisation. L’utilisation d’une étude utilisateur nous permettra également d’interagir directement
avec les utilisateurs et de collecter des explications concernant les variations de diversité que
nous pouvons obtenir en temps réel. Ces interactions pourraient par exemple permettre de tester
l’hypothèse selon laquelle il existe des périodes de transitions entre deux contextes implicites
qui se traduisent par une diversité élevée sur plusieurs consultations. Ou encore, de la même
manière que nous nous sommes intéressés aux musiques passées, une perspective d’utilisation
de l’évolution de la diversité au cours du temps serrait la détection de sessions de navigation
parallèle ou encore la détection de séquence de consultations contenant plusieurs objectifs. Sur
un site de e-commerce par exemple, un utilisateur peut consulter des items pour faire un cadeau
à la fois pour son conjoint et pour ses amis. Bien qu’il existe deux objectifs différents et donc
deux besoins différents, l’utilisateur peut consulter à la suite des items pour l’un ou l’autre de
ces cadeaux, générant ainsi beaucoup de diversité. Utiliser la diversité pour isoler chacun des
objectifs (en permettant les consultations afin de voir s’il n’existe pas plusieurs contextes
impli-cites entrecroisés) permettrait d’assister plus efficacement l’utilisateur plutôt que de considérer
l’ensemble des consultations comme appartenant à un seul et même objectif.
Enfin, comme nous l’avons mentionné, notre approche est générique et peut être déployée dans
de nombreux domaines applicatifs. Cette perspective pourra être étudiée dès lors que nous
possè-derons d’autres jeux de données respectant les contraintes imposées par notre modèle, possédant
ou non des items de natures différentes.
7.2.2 Perspectives à moyen terme
La caractérisation des contextes implicites est un point essentiel sur lequel reposent plusieurs
approches de recommandation et d’explication que nous avons proposées. Cette caractérisation
peut être réalisée comme nous l’avons présenté en déterminant certaines valeurs remarquables
des attributs (valeurs moyennes ou extrêmes, très fortes stabilités de certains attributs. . . ) dans
un premier temps. Cependant, améliorer la caractérisation des contextes implicites pourrait
per-mettre d’assister au mieux les utilisateurs tout en amélioration la compréhension que nous avons
de leur comportement. Pour cette raison, nous envisageons d’étudier et de proposer différentes
techniques de caractérisation. Et ce, afin de prendre en compte la dynamique de certains
attri-buts des items contenus dans un contexte implicite, d’étudier les relations pouvant exister entre
ces attributs ou encore de déterminer les attributs les plus importants dans chaque contexte
implicite.
Jusqu’à présent, nous avons restreint l’exploitation de notre modèle aux consultations courantes
des utilisateurs afin de connaître les besoins immédiats en diversité. Exploiter l’évolution
tempo-relle de la diversité à une échelle de temps plus importante constitue cependant une perspective
intéressante. En d’autres termes, en plus d’avoir des besoins en diversité plus ou moins
impor-tants sur certains attributs en fonction de leur contexte courant, nous pensons que les utilisateurs
possèdent un besoin en diversité qui peut couvrir des périodes plus grandes qu’un contexte. Dans
le cas de la musique, un utilisateur peut avoir des besoins en diversité très importants pour
cer-tains attributs pendant une période et avoir par la suite des besoins plus restreints en termes de
diversité. Ce point peut être illustré par la saison de l’année qui possède une influence sur les
ca-ractéristiques des musiques écoutées. L’idée n’est pas de s’appuyer sur la saison pour adapter les
recommandations mais de détecter certaines périodes (telles que les saisons) pendant lesquelles
certaines caractéristiques sont moins ou plus présentes que d’autres. Détecter ces différentes
pé-riodes permettrait de mieux comprendre les besoins des utilisateurs.
De plus, outre les attributs que nous avons présentés et utilisés dans ce manuscrit, l’API de
Spo-tify nous permet également d’obtenir une analyse du spectre audio des musiques. L’analyse du
spectre audio correspond à un découpage de la musique en segments où chaque segment
repré-sente un événement particulier tel la présence d’une percussion à la batterie ou d’une note d’un
instrument. Une liste de caractéristiques est donnée pour chaque segment et il existe plusieurs
milliers de segments par musique
85. L’utilisation de cette information peut être intéressante
étant donné qu’elle se passe de toute subjectivité (contrairement aux attributs valence et
dan-ceability par exemple) et permettrait alors d’obtenir des informations “brutes” sur lesquelles la
similarité/diversité d’une musique peut être calculée. Alors que l’ensemble des attributs d’une
musique représente en moyenne 700 octets de données, le spectre audio représente 700 Ko, soit
7.2. Perspectives
1 000 fois plus. Non ne savons pas actuellement si cette différence peut avoir un impact dans le
calcul en temps réel de la diversité. De nouvelles formules de diversité devront également être
développées afin d’exploiter ces informations. Le défi majeur de cette perspective réside dans
la quantité d’information à traiter. En effet, exploiter des grandes quantités d’information aura
pour conséquence d’ajouter du bruit qu’il faudra pouvoir isoler afin de ne conserver que
l’infor-mation utile pour le SR et les utilisateurs. Cependant, nous sommes convaincus que l’analyse
du spectre audio permet d’améliorer la compréhension des choix des utilisateurs étant donnée la
complexité d’une musique (en termes de représentation).
Annexe A
Boîtes à moustaches et tests de
Émotions ressenties
Boîtes à moustaches
TableA.1 – Comparaisons multiples du test de Kruskal et Wallis pour les émotions ressenties
acou. danc. dur. éne. inst. live. loud. spee. temp. val. pop.
Détendu-En colère vrai faux faux vrai faux vrai vrai vrai faux faux faux
Détendu-Gracieux faux vrai faux faux faux faux faux faux faux faux faux
Détendu-Heureux vrai faux faux vrai faux faux vrai faux faux vrai faux
Détendu-Rêveur faux vrai faux faux faux faux faux faux faux vrai faux
Détendu-Tragique faux vrai faux faux faux faux faux faux vrai vrai vrai
Détendu-Triomphant vrai faux faux vrai faux faux vrai vrai faux faux faux
Détendu-Triste faux vrai faux vrai faux faux faux vrai faux vrai faux
Détendu-Vigoureux vrai faux vrai vrai faux faux vrai vrai faux vrai faux
En colère-Gracieux vrai faux faux vrai faux vrai vrai vrai faux faux faux
En colère-Heureux vrai vrai faux vrai faux faux faux vrai faux vrai faux
En colère-Rêveur vrai faux faux vrai faux vrai vrai vrai faux faux faux
En colère-Tragique vrai faux faux vrai faux faux vrai vrai vrai faux faux
En colère-Triomphant faux faux faux faux faux faux faux faux faux faux faux
En colère-Triste vrai faux faux vrai faux vrai vrai vrai faux faux faux
En colère-Vigoureux faux faux faux faux faux faux faux faux faux vrai faux
Gracieux-Heureux vrai vrai faux vrai vrai faux vrai faux faux vrai faux
Gracieux-Rêveur faux faux faux faux faux faux faux faux faux faux faux
Gracieux-Tragique faux faux faux faux faux faux faux faux faux faux faux
Gracieux-Triomphant vrai faux faux vrai faux faux vrai vrai faux faux faux
Gracieux-Triste faux faux faux faux faux faux faux vrai faux faux faux
Gracieux-Vigoureux vrai vrai vrai vrai faux faux vrai vrai faux vrai faux
Heureux-Rêveur vrai vrai faux vrai vrai faux vrai vrai faux vrai faux
Heureux-Tragique vrai vrai faux vrai faux faux vrai faux vrai vrai faux
Heureux-Triomphant vrai vrai faux faux faux faux faux vrai faux vrai faux
Heureux-Triste vrai vrai faux vrai faux faux vrai vrai faux vrai faux
Heureux-Vigoureux vrai faux faux vrai faux faux vrai vrai faux faux faux
Rêveur-Tragique faux vrai faux faux faux faux faux faux faux faux faux
Rêveur-Triomphant vrai faux faux vrai faux faux vrai vrai faux vrai faux
Rêveur-Triste faux faux faux faux faux faux faux faux faux vrai faux
Rêveur-Vigoureux vrai vrai vrai vrai faux faux vrai vrai faux vrai faux
Tragique-Triomphant vrai vrai faux vrai faux faux vrai vrai vrai vrai faux
Tragique-Triste faux faux faux faux faux faux faux faux faux faux faux
Tragique-Vigoureux vrai vrai vrai vrai faux faux vrai vrai vrai vrai vrai
Triomphant-Triste vrai faux faux vrai faux faux vrai vrai faux vrai faux
Triomphant-Vigoureux faux faux faux faux faux faux faux faux faux faux faux
Triste-Vigoureux vrai vrai faux vrai faux faux vrai vrai faux vrai faux
Émotions initiatrices86
Boîtes à moustaches
86. Cf.suprap.109, les émotions initiatrices sont les émotions dans lesquelles se trouvent les utilisateurs et qui
160
A.0.1 Comparaisons multiples du test de Kruskal-Wallis
acou. danc. dur. éne. inst. live. loud. spee. temp. val. pop.
Détendu-En colère vrai faux faux vrai faux faux vrai vrai faux faux faux
Détendu-Gracieux faux faux faux faux faux faux faux faux faux faux faux
Détendu-Heureux vrai faux faux vrai faux faux vrai faux faux vrai faux
Détendu-Rêveur faux faux faux faux faux faux faux faux faux vrai faux
Détendu-Tragique faux vrai faux faux faux faux faux faux faux vrai faux
Détendu-Triomphant vrai faux faux vrai faux faux vrai vrai faux faux faux
Détendu-Triste faux vrai faux vrai faux faux faux faux faux vrai faux
Détendu-Vigoureux vrai faux vrai vrai faux faux vrai vrai faux faux faux
En colère-Gracieux vrai faux faux vrai faux faux vrai faux faux faux faux
En colère-Heureux vrai vrai faux faux faux faux faux faux faux vrai faux
En colère-Rêveur vrai faux faux vrai faux faux vrai vrai faux faux faux
En colère-Tragique vrai faux vrai vrai faux faux vrai vrai faux vrai faux
En colère-Triomphant faux faux faux faux faux faux faux faux faux faux faux
En colère-Triste vrai faux faux vrai faux faux vrai vrai faux faux faux
En colère-Vigoureux faux faux faux faux faux faux faux faux faux vrai faux
Gracieux-Heureux vrai vrai faux vrai faux faux vrai faux faux vrai faux
Gracieux-Rêveur faux faux faux faux faux faux faux faux faux faux faux
Gracieux-Tragique faux faux faux faux faux faux faux faux faux vrai faux
Gracieux-Triomphant vrai faux faux vrai faux faux vrai faux faux faux faux
Gracieux-Triste faux faux faux faux faux faux faux faux faux faux faux
Gracieux-Vigoureux vrai faux vrai vrai faux faux vrai vrai faux vrai faux
Heureux-Rêveur vrai vrai faux vrai faux faux vrai vrai faux vrai faux
Heureux-Tragique vrai vrai faux vrai vrai faux vrai faux faux vrai faux
Heureux-Triomphant faux faux faux faux faux faux faux faux faux faux faux
Heureux-Triste vrai vrai faux vrai faux faux vrai vrai vrai vrai faux
Heureux-Vigoureux vrai faux faux vrai faux faux vrai vrai faux faux faux
Rêveur-Tragique faux vrai faux faux faux faux faux faux faux vrai faux
Rêveur-Triomphant vrai faux faux vrai faux faux vrai vrai faux vrai faux
Rêveur-Triste faux faux faux faux faux faux faux faux faux faux faux
Rêveur-Vigoureux vrai faux vrai vrai faux faux vrai vrai faux vrai faux
Tragique-Triomphant vrai faux faux vrai faux faux vrai vrai faux vrai faux
Tragique-Triste faux faux faux faux faux faux faux faux faux faux faux
Tragique-Vigoureux vrai vrai vrai vrai vrai faux vrai vrai faux vrai faux
Triomphant-Triste vrai faux faux vrai faux faux vrai vrai faux vrai faux
Triomphant-Vigoureux faux faux faux faux faux faux faux faux faux faux faux
Triste-Vigoureux vrai vrai vrai vrai faux faux vrai vrai vrai vrai faux
Dimension “activité”
Boîtes à moustaches
Comparaisons multiples du test de Kruskal-Wallis
TableA.3 – Comparaisons multiples du test de Kruskal-Wallis pour la dimension activité
acou. danc. dur. éne. inst. live. loud. spee. temp. val. pop.
Conduite-Cuisine faux faux faux faux faux faux faux faux faux faux faux
Conduite-Détente vrai faux faux vrai faux faux vrai faux faux vrai faux
Conduite-Fête vrai faux faux vrai faux faux vrai vrai faux faux faux
Conduite-Lecture vrai vrai faux vrai vrai faux vrai vrai vrai vrai faux
Conduite-Ménage faux faux faux faux faux faux faux faux faux faux faux
Conduite-Promenade faux faux faux faux faux faux faux faux faux faux faux
Conduite-Réflexion vrai vrai faux vrai vrai faux vrai vrai faux vrai faux
Conduite-Réveil vrai faux faux vrai faux faux vrai faux faux faux faux
Conduite-Sport vrai faux faux vrai faux faux vrai vrai faux faux faux
Conduite-Transport faux faux faux faux faux faux faux faux faux faux faux
Conduite-Travail faux faux faux vrai faux faux faux faux faux faux faux
Cuisine-Détente vrai faux faux vrai faux faux vrai faux faux vrai faux
Cuisine-Fête vrai vrai faux vrai faux faux vrai vrai faux faux faux
Cuisine-Lecture vrai faux faux vrai faux faux vrai vrai vrai vrai faux
Cuisine-Ménage faux faux faux faux faux faux faux faux faux faux faux
Cuisine-Promenade faux faux faux faux faux faux faux faux faux faux faux
Cuisine-Réflexion vrai faux faux vrai faux faux vrai faux faux vrai faux
Cuisine-Réveil vrai faux faux vrai faux faux vrai faux faux faux faux
Cuisine-Sport vrai faux faux vrai faux faux vrai vrai faux faux faux
Cuisine-Transport faux faux faux faux faux faux faux faux faux faux faux
Cuisine-Travail faux faux faux faux faux faux faux faux faux faux faux
Détente-Fête vrai vrai faux vrai vrai faux vrai vrai faux vrai faux
Détente-Lecture vrai faux faux vrai faux faux vrai faux faux vrai faux
Détente-Ménage vrai faux faux vrai faux faux vrai faux faux vrai faux
Détente-Promenade faux faux faux faux faux faux vrai faux faux faux faux
Détente-Réflexion faux faux faux faux faux faux faux faux faux vrai faux
Détente-Réveil faux faux faux faux faux faux faux faux faux faux faux
Détente-Sport vrai vrai vrai vrai faux faux vrai vrai faux vrai faux
Détente-Transport vrai faux faux vrai faux faux vrai vrai faux faux faux
Détente-Travail faux faux faux faux faux faux faux faux faux faux faux
Fête-Lecture vrai vrai faux vrai vrai faux vrai vrai vrai vrai faux
Fête-Ménage faux faux faux vrai faux faux faux faux faux faux faux
Fête-Promenade vrai vrai faux vrai faux faux vrai vrai faux vrai faux
Fête-Réflexion vrai vrai faux vrai vrai faux vrai vrai faux vrai faux
Fête-Réveil vrai faux faux vrai faux faux vrai vrai faux vrai faux
Fête-Sport faux faux faux faux faux faux faux faux faux faux faux
Fête-Transport vrai vrai faux faux faux faux faux faux faux vrai faux
Fête-Travail vrai vrai faux vrai faux faux vrai vrai faux vrai faux
Lecture-Ménage vrai vrai faux vrai vrai faux vrai vrai vrai vrai faux
Lecture-Promenade vrai faux faux vrai faux faux vrai faux faux vrai faux
Lecture-Réflexion faux faux faux faux faux faux faux faux faux faux faux
Lecture-Réveil faux faux faux faux faux faux faux faux faux faux faux
Lecture-Sport vrai vrai vrai vrai vrai faux vrai vrai vrai vrai faux
Lecture-Transport vrai faux faux vrai vrai faux vrai vrai vrai vrai faux
Lecture-Travail vrai faux faux vrai faux faux vrai faux faux vrai faux
Ménage-Promenade vrai faux faux faux faux faux faux faux faux vrai faux
Ménage-Réflexion vrai vrai faux vrai vrai faux vrai vrai faux vrai faux
Ménage-Réveil vrai faux faux vrai faux faux vrai faux faux vrai faux
Ménage-Sport vrai faux faux vrai faux faux vrai vrai faux faux faux
Ménage-Transport faux faux faux faux faux faux faux faux faux faux faux
Ménage-Travail vrai faux faux vrai faux faux vrai faux faux vrai faux
Promenade-Réflexion faux faux faux vrai faux faux vrai faux faux faux faux
Promenade-Réveil faux faux faux faux faux faux faux faux faux faux faux
Promenade-Sport vrai vrai faux vrai faux faux vrai vrai faux vrai faux
Promenade-Transport faux faux faux vrai faux faux faux faux faux faux faux
Promenade-Travail faux faux faux faux faux faux faux faux faux faux faux
Dans le document
Modéliser la diversité au cours du temps pour comprendre le contexte de l'utilisateur dans les systèmes de recommandation
(Page 161-200)