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 Continuer la lecture
Problèmes de recherche des systèmes de recommandation – 1ère partie
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 Continuer la lecture