S'inscrire aux newsletters

Article précédent

Visualisation d'information

Article de référence | Réf : H7245 v1

Systèmes de recommandation

Auteur(s) : Gérald KEMBELLEC, Max CHEVALIER, Damien DUDOGNON

Date de publication : 10 nov. 2015

Article suivant

Analyse automatique d’opinions - États des lieux et perspectives

Cet article fait partie de l’offre

Technologies logicielles Architectures des systèmes (223 articles en ce moment)

Cette offre vous donne accès à :

Une base complète et actualisée d'articles validés par des comités scientifiques

Un service Questions aux experts et des outils pratiques

Des Quiz interactifs pour valider la compréhension et ancrer les connaissances

ABONNEZ-VOUS

Quitter la lecture facile

RÉSUMÉ

Cet article a pour objectif de présenter les fondements des systèmes de recommandation. Ces systèmes sont très développés aujourd'hui, mais demeurent au final peu visibles, l'utilisateur ne percevant que le résultat, à savoir une liste de suggestions. Les champs d'application de ces systèmes de recommandation sont divers et variés (suggestion de films, de produits marchands, de services...).Cet article présente les champs d'application les plus représentatifs. Les différentes dimensions (culturelles, légales ainsi qu'algorithmiques) sont également abordées sans oublier le niveau implantation au travers de différents outils tels qu'Excel, PHP ou encore java/Mahout.

Lire l’article

ABSTRACT

Recommender systems

This paper presents the basic principles of recommender systems. These systems are strongly developed today yet are invisible to the end user, who perceives only the result, i.e. a list of recommendations. The fields of application of these recommender systems are varied and numerous (suggestions for movies, marketable products, services, etc.). In this paper we present the most representative fields of application. The different dimensions (cultural, legal and algorithmic applications) are also addressed, together with the implementation level through several tools such as Excel, PHP and java / Mahout.

Auteur(s)

Gérald KEMBELLEC : Maître de conférences - Docteur en sciences de l'information et de la communication - CNAM, Laboratoire Dispositifs d'information et de communication à l'ère numérique – Paris, Île-de-France, France
Max CHEVALIER : Maître de conférences - Docteur en informatique - Institut de recherche en informatique de Toulouse, Université de Toulouse, Toulouse 3, France
Damien DUDOGNON : Ingénieur R&D - Docteur en informatique - Overblog, Toulouse, France

INTRODUCTION

Dans le contexte numérique actuel, caractérisé par une surabondance d'informations, que l'on appelle infobésité ou déluge informationnel, il apparaît que les capacités humaines ne permettent pas l'analyse exhaustive de l'offre d'un corpus au sein d'une plateforme. Même dans le cadre de l'utilisation d'un moteur de recherche intégré, les résultats pertinents sont généralement noyés dans un « bruit » informationnel, ce qui en empêche, ou tout du moins en ralentit, le repérage. Pour aider l'esprit humain dans son processus de sélection, des systèmes de recommandation grand public ont vu le jour dans la dernière décennie du vingtième siècle.

Un système de recommandation est un outil de filtrage de l'information offrant à un usager l'assistance à la sélection personnalisée face à un catalogue d'items. Les cadres d'application de ces systèmes sont multiples : au sein des réseaux socionumériques, du marketing digital avec la relation client pour la vente en ligne ou encore des services personnalisés liés à une offre culturelle.

Après un tour d'horizon des domaines d'application des moteurs de recommandation, les principales stratégies de recommandations sont présentées sur les plans théoriques et algorithmiques. La personnalisation de ces systèmes peut se baser sur plusieurs méthodes algorithmiques, principalement orientées autour des aspects sociaux et/ou sur les caractéristiques des objets manipulés. Cet article propose également une mise en lumière de l'approche collaborative au travers d'un exemple reposant sur des outils open source.

Avec un recul de plus de 20 ans sur ces dispositifs, des questionnements émergent autour de l'éthique, du respect de la vie privée et de la confiance de l'usager. Des réflexions sont ainsi menées pour une normalisation et un encadrement légal du phénomène de recommandation.

Lire l’article

MOTS-CLÉS

algorithmes | recommandation | implantation | réseaux sociaux | mercatique

KEYWORDS

Algorithms | recommendation | implementation | social networks | marketing

Lire l'article

BIBLIOGRAPHIE

(1) - RESNICK (P.), IACOVOU (N.), SUCHAK (M.), BERGSTROM (P.), RIEDL (J.) - GroupLens. - In Proceedings of the 1994 ACM conference on Computer supported cooperative work – CSCW '94, p. 175-186 (1994).
(2) - STENGER (T.), COUTANT (A.) - La prescription ordinaire sur les réseaux socionumériques. - In Médias 09, entre communautés et mobilité, p. 1-24 (2009).
(3) - DE CERTAU (M.) - L'invention du quotidien. Tome 1 : Arts de faire. - Folio. Gallimard, Paris(1990).
(4) - COUTANT (A.) - Quelle place pour l'innovation dans les médias sociaux ? - Commun. Organ., n° 43, p. 123-134, juin 2013.
(5) - STENGER (T.), COUTANT (A.) - Web 2.0 et médias sociaux. - In E-marketing et E-commerce. Concepts, Outils, Pratiques, Management., STENGER (T.) ET BOURLIATAUX-LAJOINIE (S.), Éd. Dunod, Paris, p. 63-115 (2011).

ANNEXES

1 Outils logiciels
2 Sites Internet
3 Événements
4 Normes et standards
5 Réglementation
6 Justice
7 Annuaire
1. 7.1 Société de gestion de CRM
2. 7.2 Société de recommandation littéraire

1 Outils logiciels

The R Project for Statistical Computing. Sous licence GPL, disponible pour plateformes Microsoft, Apple, Unix et Linux à l'URL http://www.r-project.org/ (page consultée le 3 août 2015).

BiostatGV propriété de l'institut Pierre Louis d'Épidémiologie et de Santé Publique UMR S 1136, affilié à l'INSERM et l'Université Pierre et Marie Curie (anciennement UMR S 707). Interface PHP en ligne avec R pour un calcul de corrélation, permet également de formater des valeurs d'entrée vers R depuis un tableur par copier/coller http://marne.u707.jussieu.fr/biostatgv/?module=tests/pearson (page consultée le 3 août 2015).

Lire l’article

DÉTAIL DE L'ABONNEMENT :

TOUS LES ARTICLES DE VOTRE RESSOURCE DOCUMENTAIRE

Accès aux :

Articles et leurs mises à jour

Nouveautés

Archives

Articles interactifs

Formats :

HTML illimité

Versions PDF

Site responsive (mobile)

Info parution :

Toutes les nouveautés de vos ressources documentaires par email

DES ARTICLES INTERACTIFS

Articles enrichis de quiz :

Expérience de lecture améliorée

Quiz attractifs, stimulants et variés

Compréhension et ancrage mémoriel assurés

DES SERVICES ET OUTILS PRATIQUES

Questions aux experts

Les meilleurs experts techniques
et scientifiques vous répondent

Articles Découverte

La possibilité de consulter des
articles en dehors de votre offre

Dictionnaire technique multilingue

45 000 termes en français, anglais,
espagnol et allemand

Votre site est 100% responsive,
compatible PC, mobiles et tablettes.

FORMULES

	Formule monoposte	Autres formules
Ressources documentaires
Consultation HTML des articles	Illimitée	Illimitée
Quiz d'entraînement	Illimités	Illimités
Téléchargement des versions PDF	5 / jour	Selon devis
Accès aux archives	Oui	Oui
Info parution	Oui	Oui

Services inclus
Questions aux experts (1)	4 / an	Jusqu'à 12 par an
Articles Découverte	5 / an	Jusqu'à 7 par an
Dictionnaire technique multilingue	Oui	Oui
(1) Non disponible pour les lycées, les établissements d’enseignement supérieur et autres organismes de formation.
	Formule 12 mois monoposte 2 060 € HT	Autres formules (Multiposte, pluriannuelle) DEMANDER UN DEVIS

DEMANDER UN DEVIS

Sommaire
Sommaire détaillé

INTRODUCTION

1 - PLACE DES MOTEURS DE RECOMMANDATION DANS LA SOCIÉTÉ NUMÉRIQUE

1.1 - Moteurs de recommandation et Web 2.0.
1.2 - Digital Marketing et recommandation
1.3 - Big Data comme carburant des systèmes de recommandation

2 - AUTRES CHAMPS D'APPLICATION

2.1 - Recommandation et vidéo
2.2 - Recommandation et littérature
2.3 - Recommandation et culture scientifique

3 - MÉTHODOLOGIE DE RECOMMANDATION ET ALGORITHMES

3.1 - Introduction
3.2 - Filtrage basé sur le contenu
3.3 - Filtrage collaboratif
3.4 - Modèles hybrides
3.5 - Évaluation des systèmes de recommandation

4 - ÉTUDE DE CAS D'UNE PLATEFORME DE RECOMMANDATION : MAHOUT

4.1 - Étape 1 : téléchargement de la collection de données
4.2 - Étape 2 : prérequis
4.3 - Étape 2 : téléchargement et compilation de Mahout
4.4 - Étape 3 : programmation

5 - ÉBAUCHE D'ENCADREMENT DU SYSTÈME

5.1 - Dérives du système
5.2 - Cadre normatif

6 - CONCLUSION

7 - GLOSSAIRE – DÉFINITIONS

Publicité Devenez annonceur

Systèmes de recommandation

RÉSUMÉ

ABSTRACT

Auteur(s)

INTRODUCTION

MOTS-CLÉS

KEYWORDS

PERMALIEN

DOI (Digital Object Identifier)

RÉFÉRENCE BIBLIOGRAPHIQUE

CET ARTICLE SE TROUVE ÉGALEMENT DANS :

BIBLIOGRAPHIE

ANNEXES

SUR LE MÊME SUJET

DANS LES RESSOURCES DOCUMENTAIRES

DANS L'ACTUALITÉ

DANS LES LIVRES BLANCS

DANS LES CONFÉRENCES EN LIGNE

Systèmes de recommandation

RÉSUMÉ

ABSTRACT

Auteur(s)

INTRODUCTION

MOTS-CLÉS

KEYWORDS

PERMALIEN

DOI (Digital Object Identifier)

RÉFÉRENCE BIBLIOGRAPHIQUE

CET ARTICLE SE TROUVE ÉGALEMENT DANS :

La lecture complète de cet article et le téléchargement du PDF sont réservés aux abonnés

BIBLIOGRAPHIE

ANNEXES

La lecture complète de cet article et le téléchargement du PDF sont réservés aux abonnés

SUR LE MÊME SUJET

DANS LES RESSOURCES DOCUMENTAIRES

DANS L'ACTUALITÉ

DANS LES LIVRES BLANCS

DANS LES CONFÉRENCES EN LIGNE