Problèmes de recherche des systèmes de recommandation – 2ème partie

Nous avons vu dans la première partie de cet article quelques-unes des limites des systèmes de recommandation. Si vous n’avez pas lu la première partie, je vous invite à consulter le lien suivant : Problèmes de recherche des systèmes de recommandation — 1ère partie. Nous allons présenter ici quatre autres problèmes dont souffrent les systèmes de filtrage collaboratif.

Principe d’induction. Les systèmes de recommandation se basent sur le principe qu’un utilisateur qui a exhibé un comportement dans le passé tendra à exhiber un comportement semblable dans le futur [1]. Cependant, ce principe n’est pas nécessairement vrai dans le contexte réel. En effet, un utilisateur peut changer complètement de domaine d’intérêt ou en avoir plusieurs. Pour faire face à ce problème, des techniques de dérive d’intérêt (Interest drift) ou de changement de contexte (Context shifts) ont vu le jour [1, 2].

Centralisé vs distribué. Les systèmes de recommandation, tels qu’Amazon, sont typiquement basés sur une architecture centralisée. Comme la figure 1 le montre, le moteur de recommandation centralisé permet de sauvegarder les profils d’utilisateurs et le calcul des recommandations dans un serveur central. Cependant, en dépit de leur popularité, les systèmes de recommandation centralisés souffrent de plusieurs problèmes : le coût, la robustesse, la sécurité, la portabilité, etc. Une des solutions à ces problèmes est de répartir le système. Nous croyons qu’un système de recommandation distribué pourrait être conçu pour tirer profit de la puissance de calcul disponible sur les ordinateurs des utilisateurs [3-5].

Figure 1. Système de recommandation centralisé.

Portabilité. L’exemple le plus représentatif du concept de portabilité est le système Magellan de la chaîne d’épicerie Safeway Inc. Le système Magellan, représenté dans la figure 2, consiste en un chariot d’épicerie muni d’un ordinateur, un écran à cristaux liquides et une connexion Bluetooth. Ce système propose des produits aux utilisateurs en se basant sur leur proximité à un produit et leur historique d’achats. Cependant, ce prototype présente deux problèmes. D’abord, le système Magellan est basé sur une architecture centralisée et donc souffre des mêmes problèmes évoqués précédemment. En second lieu, le système est limité aux achats en épicerie. Notre idée est de pouvoir avoir des recommandations partout (épicerie, film, musique, électronique, etc.) en utilisant son cellulaire, PDA, PALM, etc. [3-5].


Figure 2. Magellan.

Collecte des préférences. Une des étapes les plus importantes et les plus difficiles des systèmes de recommandation est la collecte des préférences des utilisateurs. En effet, l’obtention des évaluations de la part des utilisateurs sur une ressource donnée qui leur a plu, moins plu, ou pas du tout plus, est une tâche ardue. Ainsi, des techniques de collecte des préférences utilisateur, intrusives ou pas, ont vu le jour [4, 6, 7].

Sécurité et crédibilité. Les systèmes de recommandation ne peuvent pas ……[Problèmes de recherche des systèmes de recommandation – 3ème partie]

Références

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

[2]    R. Bell, Y. Koren, and C. Volinsky, « Modeling relationships at multiple scales to improve accuracy of large recommender systems, » in Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining San Jose, California, USA: ACM, 2007.

[3]    C.-N. Ziegler, « Towards Decentralized Recommender Systems, » Albert-Ludwigs-Universitat Freiburg – Fakultat fur Angewandte Wissenschaften, Institut fur Informatik, 2005.
[4]    N. B. Miller, « Toward a personal recommender system, » University of Minnesota, 2003, p. 185.

[5]    B. N. Miller, J. A. Konstan, and J. T. Riedl, « PocketLens: Toward a personal recommender system, » ACM Trans. Inf. Syst., vol. 22, pp. 437-476, 2004.

[6]    M. Claypool, M. Claypool, D. Brown, P. Le, and M. A. W. M. Waseda, « Inferring user interest Inferring user interest, » Internet Computing, IEEE, vol. 5, pp. 32-39, 2001.

[7]    P. K. Chan, « A non-invasive learning approach to building web user profiles, » Workshop on Web usage analysis and user profiling, Fifth International Conference on Knowledge Discovery and Data Mining, August 1999.

2 réponses à Problèmes de recherche des systèmes de recommandation – 2ème partie

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *