Les systèmes de recommandation sont nés de la volonté de pallier le problème de surcharge d’information du web et certaines contraintes auxquelles se heurtent les outils existants de recherche d’informations. Combinant des techniques de filtrage d’information, personnalisation, intelligence artificielle, réseaux sociaux et interaction personne-machine, les systèmes de recommandation fournissent à des utilisateurs des suggestions qui répondent à leurs besoins et préférences informationnels. En effet, les systèmes de recommandation sont particulièrement sollicités dans les applications de commerce électronique. Par exemple, Amazon recommande toutes sortes de produits (films, musiques, livres, etc.) ; Netflix, Moviecritics, et Cinemax suggèrent des films ; TiVo recommande des émissions de télévision ; iTunes, Last.fm, Pandora et Rhapsody proposent de la musique ; Trabble conseille des restaurants ; Expedia et Travelocity recommandent des voyages ; CNN suggère des nouvelles ; Jester propose des blagues ; Google recommande des pages web [1].

Malgré leur popularité croissante, les systèmes de recommandation ont subi quelques ratés. L’exemple le plus révélateur est l’article anecdotique du Wall Street Journal intitulé « If TiVo Thinks You Are Gay, Here’s How to Set It Straight ». Cet article décrit la frustration des utilisateurs résultant des mauvaises suggestions fournies par le système de recommandation d’émissions de télévision TiVo [2]. Une revue de la littérature nous a permis d’identifier plusieurs problèmes dont souffrent les systèmes de recommandation :

Masse critique. Cet aspect illustre la difficulté à gérer le fait qu’il existe peu d’articles effectivement évalués, ou peu d’utilisateurs qui procèdent à ces évaluations. De ce fait, le système de recommandation ne possède que peu ou pas de données pour générer ces prédictions. Ainsi, il faut dépasser un nombre défini d’évaluations avant lequel les recommandations, fournies par le système, ne sont pas pertinentes [3-6].

Démarrage à froid. Souvent, on se retrouve confronté au problème qu’un utilisateur ne soit comparable avec aucun autre. Ce problème est dû au fait que peu ou pas d’utilisateurs ont évalué un article donné, ou qu’un utilisateur donné a évalué très peu ou pas d’articles. Généralement, ce problème survient quand un nouvel utilisateur ou une nouvelle ressource est ajouté à la base de recommandation [3, 7-9].

Principe d’induction. Les systèmes de recommandation se basent sur  ……………

Références

[1]    Z. Zaier, R. Godin, and L. Faucher, « Recommendation Quality Evolution Based on Neighbors Discrimination, » in MCETECH Conference on e-Technologies Montreal, 2008, pp. 148-153.

[2]    N. Tintarev and J. Masthoff, « A Survey of Explanations in Recommender Systems, » in Data Engineering Workshop, 2007 IEEE 23rd International Conference on, J. Masthoff, Ed., 2007, pp. 801-810.

[3]    G. Adomavicius and A. Tuzhilin, « Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions, » Transactions on Knowledge and Data Engineering, vol. 17, pp. 734-749, 2005.

[4]    A. Vellino and D. Zeber, « Recommending Journal Articles in a Scientific Digital Library, »  Montreal: École de technologie supérieure., 2008.

[5]    C.-N. Ziegler, « Towards Decentralized Recommender Systems, » Albert-Ludwigs-Universitat Freiburg – Fakultat fur Angewandte Wissenschaften, Institut fur Informatik, 2005.

[6]    Z. Huang, H. Chen, and D. Zeng, « Applying associative retrieval techniques to alleviate the sparsity problem in collaborative filtering, » ACM Trans. Inf. Syst., vol. 22, pp. 116-142, 2004.

[7]    A. Schein, A. Popescul, L. Ungar, and D. Pennock, « Methods and metrics for cold-start recommendations, » Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2002), pp. 253-260, 2002.

[8]    M. K. Condliff, D. D. Lewis, and D. Madigan, « Bayesian Mixed-Effects Models for Recommender Systems, » in SIGIR ’99 Workshop on Recommender Systems: Algorithms and Evaluation, ACM, Ed., 1999.

[9]    C. W.-k. Leung, S. C.-f. Chan, and F.-l. Chung, « Applying Cross-Level Association Rule Mining to Cold-Start Recommendations, » WI-IATW ’07: Proceedings of the 2007 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology – Workshops, pp. 133-136, 2007.