Les systèmes de recommandation enferment-ils les utilisateurs, au cours du temps, dans leurs préférences dominantes ?

Details

Supervisors

Fouss, François

Faculty

Louvain School of Management

Degree label

Master [120] en ingénieur de gestion (Mons)

Abstract

Les systèmes de recommandation occupent une place grandissante dans notre société. Ces algorithmes se basent, notamment, sur les goûts et attitudes préexistantes des utilisateurs pour leur proposer des recommandations. Mais finalement, les systèmes de recommandation n’enfermeraient-ils pas les utilisateurs, au cours du temps, dans leurs préférences dominantes ? C’est la question à laquelle nous essayons de répondre à travers ce mémoire. Pour ce faire, nous nous penchons, tout d’abord, sur les avis et études des nombreux chercheurs dans le domaine. Certains, tels que Pariser (2011), affirment l’existence d’une bulle filtrante. Alors que d’autres (Hosanagar, Fleder, Lee & Buja, 2014) ont démontré que les systèmes de recommandation permettaient d’élargir le champ des possibles des utilisateurs. Afin de confronter ces différents constats, nous avons choisi de réaliser notre propre étude. Alors, nous analysons et comparons plusieurs systèmes de recommandation sur l’évolution temporelle des mesures de diversité et de nouveauté obtenues au sein des recommandations fournies par ces algorithmes. Nous testons également plusieurs comportements de réponse potentiels des utilisateurs face aux recommandations. Toute cette phase d’expérimentations est réalisée grâce au langage de programmation Python. En analysant les résultats, il n’est pas possible de confirmer ou d’infirmer la présence d’un enfermement des utilisateurs mais nous pouvons, toutefois, fournir une réponse nuancée à notre question de recherche. Un algorithme établissant des recommandations de manière aléatoire élargit le plus le champ des possibles pour les utilisateurs par rapport à d’autres algorithmes, à l’inverse d’un système de recommandation favorisant les items populaires qui a alors plus tendance à les enfermer. Nous constatons également que les algorithmes basés sur les similarités entre les utilisateurs ou les items proposent des diversités et nouveautés assez faibles au départ mais les augmentent au cours du temps jusqu’à atteindre un certain point de stagnation. Finalement, certains algorithmes étant conçus pour incorporer plus de diversité et de nouveauté ont effectivement tendance à moins enfermer les utilisateurs dès le départ par rapport à des algorithmes plus classiques même s’ils n’élargissent pas plus le champ des possibles pour les utilisateurs au cours du temps.