Problèmes de recherche des systèmes de recommandation – 3ème partie

Nous avons vu dans la première et la deuxième parties de cet article quelques-unes des limites des systèmes de recommandation. Si vous n’avez pas lu la première ou la deuxième partie, je vous invite à  consulter les liens suivants : Problèmes de recherche des systèmes de recommandation — 1ère partie et Problèmes de recherche des systèmes de recommandation – 2ème partie. Nous allons présenter ici quatre autres problèmes dont souffrent les systèmes de filtrage collaboratif.

Sécurité et crédibilité. Les systèmes de recommandation ne peuvent pas empêcher les actes de tromperie. Il devient ainsi facile de se forger une nouvelle identité et de se livrer au vandalisme. Il est à noter que dans les systèmes distribués exempts d’autorités centrales, il est plus difficile de contrôler l’identité des utilisateurs et de pénaliser le comportement malveillant. Par conséquent, il est indispensable d’avoir des moyens permettant à chaque utilisateur de décider en quels utilisateurs et en quels contenus avoir confiance [1-4].

Complexité computationnelle. L’évaluation des similarités, une partie intégrale du filtrage de collaboration, implique quelques processus comportant de nombreux calculs. Pour un nombre important d’utilisateurs, le calcul de la similarité pour tous les individus du voisinage devient infaisable. Ainsi, une bonne performance peut seulement être assurée en limitant ces calculs. Pour ce faire,  il est important de restreindre suffisamment la taille de la communauté. Ainsi, des mécanismes intelligents de filtrage sont nécessaires ne sacrifiant pas trop d’information importante [5, 6].

Protection de la vie privée. Un autre problème qui touche les systèmes de recommandation est la protection des informations sensibles constituant le profilé utilisateur (information personnelle, intérêts, goûts, habitudes, etc.). Vu la nature de l‘information, ces systèmes doivent assurer une telle protection. Ainsi, des moyens, pour préserver l’anonymat des utilisateurs et chiffrer les données transmises, sont nécessaires [4, 7, 8].

Explication de la recommandation. Il faut présenter la recommandation pour qu’elle soit acceptée par l’utilisateur et pour améliorer les recommandations futures [9]. Pour ce faire, nous pouvons utiliser, comme Amazon illustré dans la figure 3, une explication sous forme de texte ou de graphiques. [10].

Figure 3. Explication de la recommandation d’Amazon [10].

Références

[1]    P. Massa and P. Avesani, « Trust-Aware Collaborative Filtering for Recommender Systems, » On the Move to Meaningful Internet Systems 2004: CoopIS, DOA, and ODBASE: OTM Confederated International Conferences, CoopIS, DOA, and ODBASE, vol. 3290, 2004.

[2]    P. Massa and P. Avesani, « Trust-aware recommender systems, » in Proceedings of the 2007 ACM conference on Recommender systems Minneapolis, MN, USA: ACM, 2007.

[3]    P. Massa and P. Avesani, « Trust metrics on controversial users: balancing between tyranny of the majority and echo chambers, » International Journal on Semantic Web and Information Systems, 2007.

[4]    D. Memmi and O. Nérot, « Building virtual communities for information retrieval, » in CRIWG. vol. 2806 Autrans: Springer, 2003, pp. 371-379.

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

[6]    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.

[7]    S. K. Lam, D. Frankowski, and T. J. Riedl, « Do You Trust Your Recommendations? An Exploration of Security and Privacy Issues in Recommender Systems, » in Emerging Trends in Information and Communication Security, 2006, pp. 14-29.

[8]    A. Kobsa, « Privacy-enhanced personalization, » Commun. ACM, vol. 50, pp. 24-33, 2007.

[9]    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.

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

Laisser un commentaire

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