Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur Graph Search.
Concept
Filtrage collaboratif
Résumé
vignette|Illustration d'un filtrage collaboratif où un système de recommandation doit prédire l'évaluation d'un objet par un utilisateur en se basant sur les évaluations existantes.
Le filtrage collaboratif (de l’anglais : en) regroupe l'ensemble des méthodes qui visent à construire des systèmes de recommandation utilisant les opinions et évaluations d'un groupe pour aider l'individu.
Il existe trois principaux axes de recherche dans ce domaine, dépendant chacun des données recueillies sur les utilisateurs du système :
le filtrage collaboratif actif ;
le filtrage collaboratif passif ;
le filtrage basé sur le contenu.
Ce système utilise pour ses prévisions les goûts explicites de ses utilisateurs. C'est-à-dire que ce sera aux utilisateurs de donner leurs opinions (le plus souvent grâce à un système de note) sur la palette de produits qui leur est accessible. C'est une méthode surtout utilisée sur les sites permettant de donner notre avis sur des produits tel que Netflix.
Cette méthode présente deux avantages :
On peut facilement reconstruire l'historique d'un individu
On évite d'agréger des informations qui ne correspondent pas à un unique utilisateur (plusieurs personnes sur un même poste ou une personne agissant pour le compte d'autrui)
Son principal défaut étant que les informations recueillies peuvent contenir un biais dit de déclaration.
Ce système effectue une analyse du comportement de l'utilisateur en « arrière-plan » pour en déduire ses goûts et préférences sans que celui-ci ait besoin de donner consciemment ses opinions. C'est une méthode utilisée entre autres par Facebook et Amazon.
Deux avantages notables pour ce système :
Aucune information n'est demandée aux utilisateurs.
Les données récupérées sont justes et ne contiennent pas de biais de déclaration.
Par contre, les données récupérées sont plus difficilement attribuables et contiennent des biais d'attribution. Un exemple typique est la multi-utilisation d'un compte par plusieurs utilisateurs.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.