Comment induire de la sérendipité dans les systèmes de recommandations ? Définition, identification des caractéristiques et analyse

Details

Supervisors

Fouss, François

Faculty

Louvain School of Management

Degree label

Master [120] en ingénieur de gestion (Mons)

Abstract

Durant ce mémoire, nous essayons de répondre à la question « Comment induire de la sérendipité dans les systèmes de recommandations ? ». Pour y répondre, nous avons procédé en différentes étapes. La première était de réunir la théorie déjà établie sur le sujet afin d’essayer d’en ressortir une définition claire du terme de sérendipité, autour duquel il n’y a aucun consensus. Nous sommes arrivés à la définition suivante : « La sérendipité permet à un utilisateur de recevoir des recommandations intéressantes qu’il n’aurait pas réussi à trouver de son propre chef car elles diffèrent de ce qu’il a pu consommer par le passé. Celles-ci étant donc à la fois pertinentes, inattendues et nouvelles. ». Une fois cette étape réalisée, nous avons ensuite identifié et définit les caractéristiques pertinentes qui caractérisent cette sérendipité, à savoir l’inattendu, la nouveauté et la pertinence. Le premier aspect est donc la pertinence, qui reflète à quel point un utilisateur apprécie un item, à quel point il le trouve utile. Ensuite, l’inattendu, deuxième aspect important, est un terme difficile à définir, à l’image de la sérendipité. Nous avons conclu que pour être inattendu, un item doit être éloigné du profil de l’utilisateur et doit tenir compte de la popularité de l’item, ou plutôt, de son impopularité. Enfin, le dernier aspect est celui de nouveauté, impliquant un item inconnu pour l’utilisateur, un item qu’il n’a donc pas encore consommé, mais étant tout de même intéressant pour celui-ci. Une fois notre cadre théorie bien défini, nous avons analysé ce qui a déjà été fait en termes de systèmes de recommandation orienté vers la sérendipité. Nous en avons ressorti que pour induire de la sérendipité grâce aux caractéristiques retenues, nous avons besoin d’identifier 3 aspects, à savoir, la dissimilitude d’un article au profil de l’utilisateur, l’impopularité de cet article et enfin, son rating prédit. Grâce à cela, nous avons pu construire un modèle de régression linéaire. Nos résultats nous montre que nous avons réussi à développer un modèle induisant de la sérendipité. Cependant, notre modèle reste moins bon qu’un modèle classique en termes de pertinence, ce qui est logique car ce n’est pas notre priorité, mais cela reste un aspect restant très important. De plus, notre modèle présente un faible coefficient de détermination R2, à savoir 0,3. Toutefois, il est important de prendre en compte le contexte dans lequel nous travaillions. La sérendipité est difficile à définir et à capter, notamment à cause de la part de réponse émotionnelle qu’elle engendre. Cette part de réponse émotionnelle est très difficile, voire impossible à capter par un modèle, car elle ne repose sur rien de concret, c’est un aspect propre à chacun et très subjectif. Nous avons donc conclu donc qu’une partie du score faible de notre R2 provenait de cet aspect. En conclusion, nous avons réussi à induire de la sérendipité dans notre système de recommandations. Cependant, il serait pertinent d’essayer notre modèle avec une plus grande base de données et d’essayer de dégager d’autres aspects pertinents pour induire de la sérendipité, afin de voir si nos résultats s’améliorent. De plus, il faut tenir compte du fait que la sérendipté contient une grande part de subjectivité, correspondant à la réponse émotionnelle des utilisateurs. Il serait pertinent d’analyser cette réponse émotionnelle, qui reste un aspect presque impossible à mesurer, car il dépend d’énormément de facteurs subjectifs comme l’humeur de l’utilisateur, la période à laquelle la recommandation se fait, et bien d’autres.