Recommandation dynamique

Les limites des techniques de recommandation ont contribu´e `a introduire un nouveau type de syst`emes de recommandation. Ces derniers sont les syst`emes de recommandation dynamiques (Dynamic Recommender System) [Rana and Jain,2012]. Ces syst`emes sont caract´eris´es par leur pouvoir de recommander des informations (items) selon plusieurs crit`eres. Une classification de ces syst`emes est propos´e par [Rana and Jain,2012] prenant en consid´eration diff´erents crit`eres, `a savoir : le changement temporel, le traitement en ligne, le contexte, la nouveaut´e, la s´erendipit´e et la diversit´e. Nous expliquons bri`evement chaque crit`ere :

– Le changement temporel : ce param`etre consid`ere le temps dans un syst`eme de re- commandation.

– Traitement en ligne : cette cat´egorie se focalise sur le comportement en temps r´eel dans un syst`eme de recommandation.

– Contexte : c’est le param`etre qui d´ecrit un ´etat particulier de l’utilisateur ou l’envi- ronnement `a n’importe quelle p´eriode donn´ee de temps.

– Nouveaut´e : la recommandation d’une information nouvelle et originale qui fait d´ecouvrir de nouveaux items (produits, articles, etc.) pour l’utilisateur.

– S´erendipit´e : c’est le heureux hasard, la d´ecouverte chanceuse d’items (produits, ar- ticles, etc.) en cherchant une autre information diff´erente.

– Diversit´e : la capacit´e de fournir la vari´et´e dans des choix au-del`a de la contrainte de similitude.

Selon cette classification, nous nous focalisons sur le crit`ere du changement temporel. Les syst`emes de recommandation dynamiques bas´es sur le changement temporel ont tendance `a recommander ”quand” au lieu de ”quoi” [Rana and Jain, 2012]. Le choix d’´etudier ce crit`ere est motiv´e par l’´evolution constante des donn´ees dans un contexte sociale. En effet, l’´evolution des donn´ees dans les r´eseaux sociaux entraine une ´evolution des int´erˆets des utilisateurs, les contributeurs principaux de la cr´eation du contenu so- cial. De plus, la dynamique temporelle est importante pour am´eliorer l’exactitude des syst`emes de recommandation selon [Koren, 2009] [Rana and Jain, 2014]. Mˆeme si le concept des syst`emes de recommandation dynamiques n’est pas largement utilis´e dans la litt´erature, quelques chercheurs ont int´egr´e ce concept pour de meilleures recomman- dations.

Valoriser les nouvelles informations au lieu des anciennes est une approche classique pour ˆ

etre `a jour sur les int´erˆets les plus r´ecents des utilisateurs [De Pessemier et al., 2010], [Wu et al., 2012]. Ce raisonnement a ´et´e utilis´e dans un contexte de recommandation dans plusieurs travaux d´etaill´es ci-dessous.

[De Pessemier et al., 2010] pr´esentent une preuve empirique que les donn´ees les plus anciennes ont une influence n´egative sur la pr´ecision de la recommandation. Ces r´esultats sont importants pour les propri´etaires de sites Web qui ont l’intention d’utiliser un syst`eme de recommandation avec un coˆut de stockage et de calcul minimum.

[Zheng and Li, 2011] proposent un syst`eme de recommandation de ressources bas´e sur l’historique et les connexions sociales et aussi le temps (des tags). Il utilise l’importance et l’utilit´e des tags afin de pr´edire les pr´ef´erences de l’utilisateur et examine comment exploiter une telle information afin de construire un mod`ele de recommandation de ressource. L’information temporelle prend en compte les tags r´ecents et anciens selon une formule de pond´eration.

[Rana and Jain,2012] proposent un mod`ele de recommandation temporel. Ils int`egrent la dimension temporelle des donn´ees dans le processus de recommandation afin d’am´eliorer la pr´ecision des syst`emes de recommandation. Ils d´emontrent que le dynamisme dans les syst`emes de recommandation devient un facteur important qui doit ˆetre pris en consid´eration lorsque les m´ethodes traditionnelles ne peuvent pas suivre le rythme de la vitesse de changement des pr´ef´erences de l’utilisateur. Ils proposent un algorithme de clustering ´evolutif qui peut g´erer l’´evolution temporelle des donn´ees. Plus r´ecemment,

[Rana and Jain, 2014] compl`etent leur recherche pr´ec´edente [Rana and Jain,2012] par une comparaison avec plusieurs autres algorithmes qui montre la pertinence de leur d´emarche par un coˆut de calcul faible et une qualit´e importante des pr´evisions.

[Wu et al.,2012] proposent une nouvelle m´ethode de recommandation hi´erarchique bas´ee sur l’aspect et le comportement d’annotation temporel. Ce travail vise `a recommander des articles dans le cadre des biblioth`eques num´eriques.

[Hong et al.,2012] proposent une nouvelle classe de syst`emes de recommandation, nomm´e Recommendation With Stage ou recommandation avec ´etapes. Cette approche est ap- pliqu´ee dans le domaine e-commerce et vise `a recommander des ´el´ements selon la dy- namique temporelle des clients. L’originalit´e de cette approche est d’identifier les utili- sateurs similaires ayant des comportements similaires et recommander des produits en fonction de leur dernier comportement. Cette recommandation est une approche bas´ee sur la taxonomie pour mod´eliser les pr´ef´erences `a long terme de l’utilisateur.

[Jambor et al.,2012] ont r´ecemment propos´e un mod`ele de d´eveloppement d’un syst`eme de recommandation robuste qui fournit des recommandations `a jour `a travers le temps en utilisant les concepts de la th´eorie moderne de contrˆole.

[Li et al., 2014a] proposent une nouvelle approche de recommandation appel´e LOGO, qui exploite l’´evolution temporelle des int´erˆets de l’utilisateur. Cette approche hybride exploite le contenu pour mod´eliser l’´evolution des int´erˆets de l’utilisateur et les relations de l’utilisateur pour s´electionner des articles de presse. Cette approche combine le court terme (la derni`ere activit´e de lecture) et le profil d’utilisateur `a long terme (un sch´ema de pond´eration sensible au temps).