Système de recommandation

Les systèmes de recommandation sont une forme spécifique de filtrage de l'information (SI) visant à présenter les éléments d'information (films, musique, livres, news, images, pages Web, etc) qui sont susceptibles d'intéresser l'utilisateur. Généralement, un système de recommandation permet de comparer le profil d'un utilisateur à certaines caractéristiques de référence, et cherche à prédire l'« avis » que donnerait un utilisateur. Ces caractéristiques peuvent provenir de : l'objet lui-même, on parle « d'approche basée sur le contenu » ou content-based approach ; l'utilisateur ; l'environnement social, on parle d'approche de filtrage collaboratif ou collaborative filtering. vignette|Exemple de recommandation. Lors de la construction du profil de l'utilisateur, une distinction est faite entre les formes explicites et implicites de collecte de données : Exemples de collecte explicite de données : demander à l'utilisateur de classer une collection d'objets en fonction de sa préférence ; présenter deux objets à un utilisateur et lui demander de choisir le meilleur ; demander à un utilisateur de créer une liste d'articles qui l'intéressent. Exemples de collecte implicite de données : l'observation des objets que l'utilisateur a vus sur la boutique en ligne, analyse de la fréquence de consultation d'un article par un utilisateur ; garder une trace des éléments que l'utilisateur achète en ligne ; obtenir une liste d'éléments que l'utilisateur a écoutés ou regardés ; analyse du réseau social de l'utilisateur et la découverte de ses goûts et aversions. Le système compare ensuite les données recueillies sur l'utilisateur à celles déjà existantes (d'autres utilisateurs) et calcule une liste de questions pour l'utilisateur. Plusieurs commerciaux et non commerciaux, des exemples sont énumérés à l'article sur les systèmes de filtrage collaboratif. G. Adomavicius donne un aperçu des systèmes de recommandation, Herlocker donne un aperçu des techniques d'évaluation pour les systèmes de recommandation.

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.

Publications associées (41)

Personnes associées (18)

Unités associées (1)

Concepts associés (15)

Cours associés (7)

Séances de cours associées (51)

MOOCs associés (1)

Textual Explanations and Critiques in Recommendation Systems

Diego Matteo Antognini

Artificial intelligence and machine learning algorithms have become ubiquitous. Although they offer a wide range of benefits, their adoption in decision-critical fields is limited by their lack of int

EPFL2022

Dynamic Personalized Ranking

Jérémie Rappaz

Personalized ranking methods are at the core of many systems that learn to produce recommendations from user feedbacks. Their primary objective is to identify relevant items from very large vocabulari

EPFL2022

Artificial intelligence (AI) and machine learning (ML) have become de facto tools in many real-life applications to offer a wide range of benefits for individuals and our society. A classic ML model i

EPFL2021

The Human Language Technology (HLT) course introduces methods and applications for language processing and generation, using statistical learning and neural networks.

This course introduces the key concepts and algorithms from the areas of information retrieval, data mining and knowledge bases, which constitute the foundations of today's Web-based distributed infor

This class discusses advanced data science and machine learning (ML) topics: Recommender Systems, Graph Analytics, and Deep Learning, Big Data, Data Clouds, APIs, Clustering. The course uses the Wol

Système de recommandation

Filtrage collaboratif

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.

Métadonnée

Une métadonnée (mot composé du préfixe grec meta, indiquant l'auto-référence ; le mot signifie donc proprement « donnée de/à propos de donnée ») est une donnée servant à définir ou décrire une autre donnée, quel qu'en soit le support (papier, électronique ou autre). Un exemple type est d'associer à une donnée la date à laquelle elle a été produite ou enregistrée, ou à une photo les coordonnées géographiques du lieu où elle a été prise. Les métadonnées sont à la base des techniques du Web sémantique.

Systèmes de recommandation: Partie 1

Introduit les systèmes de recommandation, le filtrage collaboratif, la recommandation basée sur le contenu, les paramètres de similitude et la factorisation matricielle.

Systèmes Recommender: Bases et Techniques

Couvre le filtrage collaboratif et les méthodes basées sur le contenu pour les systèmes de recommandation, en abordant les problèmes de démarrage à froid et en faisant des prédictions.

Systèmes de recommandation : factorisation et évaluation des matrices

Explore les techniques de factorisation matricielle pour les systèmes de recommandation, y compris les mesures d'évaluation comme RMSE et NDCG.

Enjeux Mondiaux - Communication

The Communication A module of the course on Global Issues tackles challenges related to instantaneous communication and social media. The interdisciplinary approach implemented integrates SHS and engi