Influence de la Diversité dans les Systèmes de Recommandation sur la Consommation Intentionnelle des Utilisateurs

Details

Supervisors

Vande Kerckhove, Corentin ; Charles, Camille

Faculty

Louvain School of Management

Degree label

Master [120] : ingénieur de gestion, à finalité spécialisée

Abstract

Les systèmes de recommandation (SdR) occupent une place grandissante dans notre société. Ces algorithmes s'appuient sur les préférences, les choix passés et les attitudes des utilisateurs pour leur offrir des recommandations personnalisées. En outre, ils se sont révélés être des outils de décision efficaces pour aider les utilisateurs à trouver plus facilement et rapidement les produits qu'ils préfèrent, en particulier sur les plateformes de e-commerce. Ces dernières années, de nombreux critères, autres que la précision, ont suscité un intérêt croissant dans le domaine de l’évaluation des SdR. C’est le cas de la diversité qui est devenue l'un des critères les plus essentiels. À ce sujet, dans la littérature scientifique, de nombreux chercheurs ont montré que les utilisateurs étaient attirés par des listes d’articles diversifiées et qu'une recommandation diversifiée pouvait accroître la probabilité de répondre à leurs divers besoins. De plus, l’offre d’un contenu diversifié contribue au développement et à l’élargissement des préférences de l’utilisateur, réduisant ainsi le risque qu’il soit piégé dans des « bulles de filtre ». D’autres études ont également prouvé l'effet positif de la diversité sur la satisfaction des utilisateurs. En revanche, aucune étude n’a tenté de comprendre quelle était l’influence de l’inclusion de la diversité dans les listes de recommandations sur le volume de consommation intentionnelle des utilisateurs. Par conséquent, ce mémoire tentera de répondre à cette question de recherche et représentera un premier effort dans l’étude de cette relation. Pour y parvenir, nous avons, tout d’abord, décidé d'investiguer le filtrage collaboratif et, plus précisément, l’approche basée sur la mémoire (item-based) à partir de la base de données MovieLens. Pour diversifier les recommandations de cette approche, nous nous sommes penchés sur le modèle de reclassement nommé Maximal Marginal Relevance (MMR). Cette méthode de diversification combine linéairement la pertinence et la diversité en se basant sur un paramètre ajustable qui contrôle le niveau de diversité. Ensuite, nous avons déployé une expérience participative qui a été menée dans une conception between-subjects et à partir d’une application en ligne réaliste. Les résultats obtenus auprès de 111 participants, répartis en quatre groupes qui se distinguent par le niveau de diversité inclus dans les recommandations (à savoir 0%, 40%, 60% ou 100%), démontrent l'importance capitale d'inclure une diversité modérée, entre 40% et 60%, dans les recommandations. En effet, cette diversification est cruciale pour garantir un équilibre optimal entre diversité et pertinence mais également pour améliorer la satisfaction des utilisateurs, accroitre la consommation intentionnelle et promouvoir une diversification de la consommation à la fois individuelle et globale.