Systèmes de recommandation : L'augmentation de la diversité dans les listes de recommandations proposées

Details

Supervisors

Fouss, François ; Fernandes, Elora

Faculty

Louvain School of Management

Degree label

Master [120] en ingénieur de gestion (Mons)

Abstract

L'objectif de ce mémoire est de répondre à la question de recherche suivante : "Comment impacter le degré de diversité des recommandations proposées par un système de recommandation ?" Tout d'abord, une revue de littérature a été réalisée pour définir la question du mémoire. Cette première partie a pour objectif principal de présenter le contexte dans lequel les systèmes de recommandation sont utilisés ainsi que présenter les recherches effectuées concernant ces outils. Dans la littérature, les systèmes de recommandation sont introduits et définis comme étant un type d'outil permettant de traiter la quantité très importante de données disponibles dans le monde à l'heure actuelle. Ils permettent de filtrer l'information en prédisant les préférences d'un utilisateur et en recommandant les éléments les plus intéressants. Toutefois, plusieurs auteurs présentent certaines limites des recommandations faites par les systèmes actuels, à savoir leur faible degré de diversité. La diversification s'est imposée comme étant un sujet important pour les systèmes de recommandation puisqu'elle est reconnue pour augmenter la qualité de l'expérience de l'utilisateur. Ensuite, dans la méthodologie, deux algorithmes sont développés dans le but d'augmenter le degré de diversité présent dans les recommandations. Le premier est un algorithme traditionnel servant de base de comparaison. Pour le deuxième système de recommandation développé dans ce mémoire, le processus menant aux recommandations a été modifié de manière à promouvoir autant que possible les éléments apportant de la diversité. Dans cette méthode, lors de l'étape de la prédiction, les éléments jugés trop similaires pour un utilisateur sont pénalisés de manière à limiter leurs chances de figurer parmi les recommandations. L'introduction de la diversité est directement ajoutée dans le processus de recommandation ; une partie importante de la littérature suggère d'intégrer la diversité dans le processus post-recommandations. Afin de valider ce modèle développé pour augmenter la diversité, les algorithmes sont appliqués et évalués grâce à deux bases de données. Cela permet de tester la méthode développée et d'évaluer dans quelle mesure les recommandations fournies sont plus diversifiées. Dans ce mémoire, la méthode développée impacte bel et bien le degré de diversité des recommandations, proposant généralement des éléments différents aux utilisateurs. Ces résultats sont validés par les deux bases de données utilisées. Finalement, une nouvelle manière d'augmenter la diversification des recommandations est présentée dans ce mémoire, intégrant directement la diversité dans le mécanisme des recommandations. L'enseignement principal est que cette méthode permet effectivement d'impacter le degré de diversité des recommandations.