Contribution aux systèmes de recommandation à base de filtrage collaboratif

Abstract

La quantité de données numériques accessibles sur internet est devenue un problème majeur pour les utilisateurs. Heureusement, des systèmes de recommandation ont été créés pour aider les utilisateurs dans diverses activités, telles que l'apprentissage, le shopping, les loisirs, la musique et la lecture, en leur suggérant des produits ou des services personnalisés. Ces systèmes prédisent les préférences des utilisateurs pour des articles qu'ils n'ont pas encore évalués. Actuellement, les systèmes de recommandation jouent un rôle crucial dans les écosystèmes de l'information et du commerce électronique, en permettant aux consommateurs de trier de grandes quantités de données et d'offres de produits. Ils peuvent améliorer l'expérience de l'utilisateur, accroître l'engagement et la fidélité et, en fin de compte, augmenter le chiffre d'affaires des entreprises. Toutefois, ces systèmes sont également confrontés à plusieurs défis, tels que le problème des moutons gris et la rareté des données, qui nécessitent une attention particulière lors de la conception et de la mise en oeuvre du système. Le filtrage collaboratif (CF) est une approche de recommandation populaire qui a fait l'objet de recherches approfondies au cours des deux dernières décennies, ce qui a donné lieu à un ensemble varié d'algorithmes et à une vaste collection d'outils permettant d'évaluer leurs performances. Cette recherche propose une nouvelle approche de recommandation pour traiter les problèmes de mouton gris et de rareté des données, dans le but d'améliorer la précision de la prédiction en déduisant de nouveaux utilisateurs à partir des utilisateurs existants dans les ensembles de données. Cette transformation crée des utilisateurs ayant des préférences opposées à celles des utilisateurs réels, ce qui augmente le nombre d'utilisateurs et résout les deux problèmes mentionnés. Les performances de cette approche ont été évaluées à l'aide de deux ensembles de données, MovieLens et FilmTrust. Dans l'ensemble, cette recherche contribue au développement de meilleurs systèmes de recommandation capables de relever les défis de la surcharge de données et d'améliorer l'expérience de l'utilisateur.