Les systèmes de recommandations

Un système de recommandation a pour objectif de fournir à un utilisateur des ressources pertinentes en fonction de ses préférences (exprimées ou non). Cela permet de réduire son temps de recherche et de recevoir des suggestions personnalisées de la part du système. L’essor du Web et sa popularité ont notamment contribué à la mise en place de tels systèmes comme la recommandation

des articles sur le site Web Amazon21 _{spécialisé dans le domaine du e-commerce. Les systèmes de}

recommandation peuvent être vus initialement comme une réponse donnée aux utilisateurs ayant des difficultés à prendre une décision dans le cadre d’utilisation d’un système de recherche d’information “classique” (Béchet, 2012).

D'autre part, l’objectif d’un système de recommandation est d’aider les utilisateurs à faire leurs choix dans un domaine où ils disposent de peu d’informations pour trier et évaluer les alternatives possibles. Selon Resnick et Varian (1997), un système de recommandations peut être composé en trois entités de base :(1) le groupe d’agents « producteurs » de recommandations, (2) le module de « calcul » de recommandations et (3) le groupe de « consommateurs » des recommandations comme cela est indiqué la figure 13 (Resnick & Varian, 1997) :

Figure 13: Architecture générale d'un système de recommandation (Resnick & Varian, 1997)

Le défi majeur dans le domaine de la conception de systèmes de recommandations est le suivant : « Comment produire des recommandations personnalisées et de haute qualité tout en minimisant

l’effort requis de la part des producteurs et des consommateurs ? » (Chelcea, Gallais, & Trousse,

2004). Actuellement, il existe deux approches pour extraire de l’information pertinente (Wei, Jennings, Moreau, & Hall, 2008) : (1) le filtrage basé sur le contenu et (2) le filtrage collaboratif.

III.2.1.Filtrage basé sur le contenu (Content-based Filtering)

Le filtrage basé sur le contenu s'appuie sur le contenu des documents (thèmes abordés) pour les comparer à un profil lui-même constitué de thèmes, dans ce cas les documents recommandés doivent être les plus proches de ce profil (Zaier, 2010).

L’utilisateur peut évaluer les documents de manière explicite en attribuant une note à chacun d’eux ou de manière implicite. Dans ce cas, le système déduit à partir des actions de l’utilisateur l’importance du document. La mise à jour du profil se fait par intégration des thèmes abordés dans les documents jugés pertinents. Ce profil peut prendre diverses formes, mais il repose généralement sur des termes (mots clé) qui seront comparés aux termes qui indexent les documents (Boussebough, 2011).

Comme limites du filtrage basé sur le contenu, nous citons (Zaier, 2010) (Boussebough, 2011) : (1) la difficulté d’indexation des documents multimédias liée à la croissance et au problème

d'identification des contenus pertinents de ce type de documents.

(2) l'effet entonnoir où le profil de l’utilisateur évolue par restriction progressive sur les thèmes recherchés. L’utilisateur ne reçoit alors que les recommandations relatives aux thèmes présentés dans son profil (le filtrage par contenu peut restreindre alors le champ de vision de l’utilisateur qui ne peut pas découvrir de nouveaux domaines potentiellement intéressants pour lui)

(3) l’effet de masse dans lequel l’utilisateur ne bénéficie pas des jugements que d'autres utilisateurs peuvent faire sur les documents qu'il reçoit, l’utilisateur doit procéder lui-même à l'analyse des documents reçus.

III.2.2.Filtrage collaboratif (Collaborative Filtering)

La motivation du filtrage collaboratif (Collaborative Filtering), terme introduit en 1994, est d'étendre la notion de bouche à oreille entre amis à des milliers de personnes sur Internet : vos amis (quelques personnes) peuvent vous recommander ce qu'ils ont apprécié ; sur Internet des milliers d'individus sont susceptibles de vous donner leur avis. Les objets pour lesquels on veut évaluer l'intérêt des internautes peuvent être de toute sorte : les films, la musique, les restaurants, les jeux, les blagues, les articles, etc. (Bedi, Sharma, & Kau, 2009) (Gao, Wang, & Cerrone, 2002) (Lancieri, Manguin, & Mangon, 2008).

Selon Béchet, nous pouvons distinguer deux types de filtrage collaboratif : (1) le filtrage collaboratif actif qui repose sur des évaluations (notes, commentaires) fournies de façon explicite par des utilisateurs et (2) le filtrage collaboratif passif qui repose sur une analyse des comportements des utilisateurs faite en « arrière-plan ». On établit ainsi une relation implicite entre l’activité de l’usager et ses préférences (Béchet, 2012).

III.2.3.Synthèse

Outre les approches fondées sur le contenu, le filtrage collaboratif ou hybride, il existe d’autres approches dans la littérature qui prennent en compte des connaissances dites psychologiques (Masthoff & Gatt, 2006) (Saari, Ravaja, Laarni, & Turpeinen, 2005). En effet, la tendance actuelle des systèmes de recommandation est plutôt axée sur des méthodes multicritères, multidimensionnelles qui se basent sur des notions psychologiques comme les émotions et les opinions. Cependant un système de recommandation doit avant tout s’adapter aux données que l’on proposera à un utilisateur. Ainsi, le choix d’une méthode de recommandation doit en premier lieu être dirigé par ce besoin (Béchet & Aufaure, 2011).

Dans le cadre de notre thèse nous nous intéressons particulièrement à la recommandation des activités d'apprentissage liées à des lieux que d’autres ont déjà visité et évalué de façon explicite ou implicite. En effet, le filtrage collaboratif tient compte de la proximité entre les apprenants, cette proximité traduit bien la similitude des intérêts dans le but de faire émerger la notion de groupe ou de

communauté (Lopez, 2005). Par exemple, si deux apprenants A et B ont évalué un certain nombre d'activités pédagogiques de façon similaire, il y a de fortes chances que les apprenants A et B partagent les mêmes intérêts dans le cadre du scénario d’apprentissage. Cependant, tous les systèmes de recommandation souffrent du problème de « démarrage à froid ». Lorsqu’un utilisateur s’inscrit et commence à utiliser le système, son profil est souvent très pauvre, voire inexistant, et ses communautés sont encore inconnues. Même avec un profil de démarrage, une période d’apprentissage est toujours nécessaire avant que le profil ne reflète concrètement les préférences de l’utilisateur. Par conséquent, le système ne peut pas lui fournir des recommandations pertinentes (Boussebough, 2011). Nous verrons dans la partie 2 de notre mémoire que nos propositions dans ce domaine permettent de limiter l'effet du démarrage à froid