pthon

' $
—————————————————————
UNIVERSITE KASDI MERBAH
OUARGLA
—————————————————————–
Faculté des Nouvelles Technologies de
l’Information et de la Communication
Département d’Informatique et des

Technologies de l’Information
Mémoire MASTER ACADEMIQUE

Domaine :Informatique
Filière :Informatique
Spécialité : Informatique industrielle
Présenté par : Laouar Assia - Korichi Khadidja
Thème
Un système de recommandation pour l’assistance à la

navigation sur Internet
Soutenu le : 04/06/2016
Devant le jury composé de :
M. Mahdjoub Med Bachir Universié KASDI Merbah- Ouargla Président
M. Zga Adel Universié KASDI Merbah- Ouargla Examinateur
M. Herrouz Abdelhakim Université KASDI Merbah- Ouargla Rapporteur
Année universitaire :2015/2016

& %
Dédicace
Dieu le tout puissant, mon créateur. À mon père, en signe d’amour, de reconnaissance et
de gratitude pour tous les soutiens et les sacrifices dont il a fait preuve à mon égard. À
ma mère, ma raison d’être, ma raison de vivre, la lanterne qui éclaire mon chemin et
m’illumine de douceur et d’amour. À mes frères et mes sœurs. À toutes mes amies, qui
m’ont beaucoup aidé à réaliser ce projet, et à tous mes proches.
Remerciements
Nous tenons tout d’abord à remercier Dieu le tout puissant et miséricordieux, qui
nous a donné la force et la patience d’accomplir ce modeste travail. En second lieu, nous
tenons à remercier particulièrement notre encadreur monsieur Abdelhakim Herrouz
maitre-assistant A à Université Kasdi Merbah Ouargla pour son encadrement et pour
l’intérêt qu’il a manifesté à notre travail. Nos vifs remerciements vont également aux
membres du jury pour l’intérêt qu’ils ont porté à notre recherche en acceptant
d’examiner notre travail et de l’enrichir par leurs propositions.
Enfin, nous tenons également à remercier tous ceux qui ont contribué de près ou de loin
à la réalisation de ce travail.
Table des matières
Table des matières iii
Table des figures v
Liste des tableaux vi
Résumé 1
Introduction générale 2
1 Les systèmes de recommandation 4

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Définitions des termes hypertextuelle et hypermédia . . . . . . . . . . . . . 6
1.4 Les modéles de navigation . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Problématique de la navigation sur Internet . . . . . . . . . . . . . . . . . 8
1.5.1 La surcharge cognitive . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.2 La désorientation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 La recommandation sur Internet . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Définition des Systèmes de Recommandation (SR) . . . . . . . . . . . . . . 10
i
1.8 Différence entre Système de Recommandation SR et Moteur de Recherche
MR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.9 Les étapes principales de la recommandation . . . . . . . . . . . . . . . . . 13
1.9.1 La collecte d’information . . . . . . . . . . . . . . . . . . . . . . . . 13
1.9.2 Modèle utilisateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.9.3 Liste de recommandations . . . . . . . . . . . . . . . . . . . . . . . 15
1.10 Les techniques de recommandation . . . . . . . . . . . . . . . . . . . . . . 15
1.10.1 L’analyse basée sur l’item . . . . . . . . . . . . . . . . . . . . . . . 16
1.10.2 L’analyse basée sur l’utilisateur . . . . . . . . . . . . . . . . . . . . 16
1.11 Quelle analyse est la bonne ? . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.12 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Classification des systèmes de recommandation 18

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Différences classifications des systèmes de recommandation . . . . . . . . . 18
2.3 Classification classique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Le filtrage basé sur le contenu . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 Le filtrage collaboratif . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.3 Le filtrage hybride . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Autres classifications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 Recommandation Personnalisée . . . . . . . . . . . . . . . . . . . . 22
2.4.2 Recommandation Objet . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.3 Recommandation Sociale . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.4 Recommandation Hybride . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.5 Recommandation Éditoriale . . . . . . . . . . . . . . . . . . . . . . 23
2.4.6 Recommandation Contextuelle . . . . . . . . . . . . . . . . . . . . . 23
2.5 Avantages et inconvénients des systèmes de recommandation . . . . . . . . 24
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
ii
3 Présentation des systèmes de recommandation existants 27
3.1 Ezako-Un surplus d’intelligence . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Amazon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Pigdata-La recommandation produit orienté métier et visuel . . . . . . . . 29
3.4 Google . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.5 Frosmo-Un boîte à outils au service de l’amélioration de la conversion . . . 30
3.6 Target2Sell-Pour les petits comme les gros marchands . . . . . . . . . . . 30
3.7 Nuukik-Plusieurs approches d’analyse prédictive . . . . . . . . . . . . . . . 31
3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4 Développement du système de recommandation 34

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2 Environnement de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.1 Matériel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.2 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.3 Delicious . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3 Partie développement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3.1 La conception . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3.2 Possibilités graphiques sous Python . . . . . . . . . . . . . . . . . . 37
4.3.3 Recueillir les préférences (Dictionnaire Local) . . . . . . . . . . . . 38
4.3.4 Trouver les utilisateurs similaires . . . . . . . . . . . . . . . . . . . 39
4.3.5 Classement des critiques . . . . . . . . . . . . . . . . . . . . . . . . 43
4.3.6 La recommandation d’articles . . . . . . . . . . . . . . . . . . . . . 44
4.3.7 Construire une recommandation pour (del.icio.us) . . . . . . . . . 47
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Conclusion générale 50
Bibliographie 55
Annexe 56
iii
Table des figures
1.1 Les trois modèles de navigation. . . . . . . . . . . . . . . . . . . . . . . . . 8

1.2 Facteurs de recommandation. . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Analyse basée sur l’item. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Analyse basée sur l’utilisateur. . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1 Classification classique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.2 Le principe de filtrage basé sur le contenu. . . . . . . . . . . . . . . . . . . 20
2.3 Le principe du filtrage collaboratif. . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Le filtrage hybride. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1 Amazon recommandation. . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.2 Pigdata-La recommandation produit orienté métier et visuel. . . . . . . . . 29
3.3 Frosmo moteur de recommandation. . . . . . . . . . . . . . . . . . . . . . . 30
3.4 Target2Sell. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.5 Moteur _ nuukik. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1 Digrammes de conception. . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2 Les taux d’utilisation des bibliothèques graphiques. . . . . . . . . . . . . . 38
4.3 Dictionnaire local. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
iv
4.4 Test d’accès au dictionnaire. . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.5 Fonction de Sim Distance. . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6 L’exécution de Sim Distance. . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.7 Fonction Sim Pearson. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.8 L’exécution de Sim Pearson. . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.9 Fonction de topMatches. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.10 L’exécution de topMatches. . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.11 Fonction de GetRecommendations. . . . . . . . . . . . . . . . . . . . . . . 45
4.12 L’exécution de GetRecommendations. . . . . . . . . . . . . . . . . . . . . . 45
4.13 L’exécution Comparateur d’Objet. . . . . . . . . . . . . . . . . . . . . . . 46
4.14 Fonction de Comparateur d’Objet. . . . . . . . . . . . . . . . . . . . . . . 46
4.15 Fonction transformPrefs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.16 Dictionnaire transformé. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.17 Site Delicious. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.18 Get-popular(liste de dictionnaires URL ). . . . . . . . . . . . . . . . . . . . 48
4.19 Fichier deliciousrec.py. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.20 Fichier deliciousrec.py modifié. . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.21 Recommandation des voisins et des liens. . . . . . . . . . . . . . . . . . . . 49
v
Liste des tableaux
1.1 Exemple de matrice d’usage . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1 Les avantages et les inconvénients des techniques de recommandation . . . 25
3.1 Comparatif des moteurs de recommandation d’e-commerce . . . . . . . . . 32
4.1 Espace de préférences. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2 Sim-Pearson. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
vi
Résumé
1
Introduction Générale
Compte tenu de la très grande masse d’information aujourd’hui disponible sur Inter-
net et le besoin en communication, en échange d’idées et en partage d’informations, les
besoins de l’utilisateur sont devenus difficiles à traiter. D’une part, parce qu’ils ne sont
pas formulés explicitement et, d’autre part, parce qu’ils sont évolutifs. Par ailleurs, de
nombreux problèmes apparaissent au niveau de la navigation hypertextuelle (surcharge
cognitive et la désorientation). Il est donc devenu primordial de concevoir des mécanismes
qui permettent aux utilisateurs d’accéder à ce qui les intéresse le plus rapidement possible.
Ce travail présente le développement d’un système de recommandation sociale. Dans

un premier temps, nous allons travailler sur un dictionnaire local puis nous généraliserons
notre travail sur le site del.icio.us ; car ce site de partage de signets ne possède pas de
moteur de recommandation.
Ce mémoire est organisé en quatre chapitres :
Le chapitre 1 : est consacré à la présentation des systèmes de recommandation en gé-

néral.
Le chapitre 2 : portera sur la présentation des différentes classifications des systèmes
2
de recommandation.
Le chapitre 3 : est consacré à une comparaison de quelques sites utilisant un système

de recommandation.
Le chapitre 4 : proposera la présentation de l’application réalisée.
Enfin, en guise de conclusions, nous indiquerons quelques remarques sur ce travail en

concluant par un bilan et nous exposerons les perspectives pour de futurs travaux.
3
Chapitre 1
Les systèmes de recommandation
1.1 Introduction
Avec le problème de la croissance phénoménale de la quantité d’informations dispo-
nibles sur Internet et le besoin de changer d’un état de la rareté à l’état de l’abondance,
il est nécessaire de disposer d’un système qui peut recommander des bons produits en
tenant compte de certains paramètres. Il s’agit là du système de recommandation qui est
devenu plus populaire durant ces 10 à 20 dernières années. Un système de recommandation
fournit à des utilisateurs des suggestions qui répondent à leurs besoins et préférences in-
formationnels. Les applications de recommandation peuvent être trouvé dans une grande
variété d’industries, entreprises, service financier, musique / radio en ligne, TV et vidéos,
les publications en ligne, et d’innombrables autres.
1.2 Historique
Les systèmes de recommandation sont reconnus assez tôt dans l’histoire de l’informa-
tique : " Information Lens System " [11] peut être considérée comme le premier système
4
CHAPITRE 1. LES SYSTÈMES DE RECOMMANDATION
de recommandation. À l’époque, l’approche la plus commune pour le problème du partage

d’informations dans l’environnement de messagerie électronique était la liste de distribu-
tion basée sur les groupes d’intérêt. La première définition pour le filtrage a été donnée
aussi par Malone [11] : " Même si le terme a une connotation littérale de laisser les choses
dehors (filtrage négatif : enlèvement), nous l’utilisons ici dans un sens plus général qui
consiste à sélectionner les choses à partir d’un ensemble plus large de possibilités (filtrage
positif : sélection) " .
Au cours des années 1990, les systèmes de recommandation sont devenus un important
domaine de recherche avec la publication des premiers articles dans le domaine du filtrage
collaboratif. La littérature académique a introduit le terme de filtrage collaboratif par le
système Tapestry [8]. Il a été développé en 1992 par le centre de recherche de "Xerox"
aux Etats Unis et qui a permis aux utilisateurs de créer des requêtes permanentes, basées
sur les annotations des utilisateurs.
Quelques années plus tard, un certain nombre de systèmes académiques de recommanda-
tion ont été introduits dans des domaines différent tels que le système de recommandation
d’articles d’actualités et de films développé par "GroupLens" [20] et le système de recom-
mandation de musique "Ringo" propose par Maes et Shardanand [10]. Ces deux systèmes
sont également bases sur le filtrage collaboratif [16].
À la fin des 1990, Les déploiements de la technique de recommandations commerciales
ont commencé à émerger. Peut-être la plus célèbre application sur une large gamme de
systèmes techniques de recommandation est Amazon.com, Amazon.com à plus de 410 000
titres dans sa boutique Kindle seul seulement. Soutenir la découverte dans des espaces
d’information de cette ampleur est un vrai challenge.
En suit, en 2006, Netflix a lancé Netflix Prize pour améliorer l’état de recommandation
des films ; aussi Netflix a plus de 17.000 films dans sa sélection [13].
Aujourd’hui les systèmes de recommandation sont devenus très populaires et sont utilisés
dans diverses applications Web.
5
1.3 Définitions des termes hypertextuelle et hypermé-

dia
Quand on cherche des définitions précises sur les hypertextes, on s’aperçoit que les avis
des auteurs divergent fortement. Celles qui attirent notre attention car utilisées dans notre
approche, consiste à définir ces termes suivant deux points de vue : celui de la structure
et celui de l’interaction entre l’utilisateur et le système.
Du point de vue structurel, Balasubramanian [27] définit un hypertexte comme un système
composé de nœud et de liens. Les nœud peuvent être composés d’informations textuelles
(cas d’hypertexte) ou d’informations multimédias (cas d’hypermédias ouverts comme In-
ternet). Les nœuds sont reliés les uns aux autres par des liens, nous distinguons les nœuds
qui sont à l’origine de liens (on parle de références) et les nœuds qui sont les destinations
des liens (on parle de référés). Les liens peuvent être unidirectionnels, permettant d’aller
d’une page a un autre ou bidirectionnels, afin de faciliter le retour au point de départ. Ils
peuvent aussi être typés afin de spécifier la sémantique du lien et, être disposes n’import
où dans une page. L’ensemble constitué par ces liens définit l’architecteur du système et
qui est nommé hyperespace.
Du point de vue fonctionnel, l’hypertexte peut être considèré comme étant un procède
informatique qui permet d’associer une entité souvent minimale (un mot, une portion
d’image, un icône) a une autre entité souvent plus étendue (paragraphe, une image, ou
une page). Ce mécanisme permet à l’utilisateur de se diriger librement dans l’hyperes-
pace. En activant à l’aide d’un pointeur (ex : une souris) une zone du document (un
mot ou un groupe de mots mis en évidence) qui est l’origine d’une association, l’utili-
sateur peut immédiatement atteindre une autre partie du document. L’utilisateur n’est
pas obligé de suivre le cheminement prévu par l’auteur, il définit son propre parcours en
fonction de ses envies et de ses centres d’intérêts. Ainsi, Rhéaume [19] écrit : " l’hyper-
texte est par conséquent un document virtuel qui n’est jamais globalement perceptible dont
l’actualisation d’une des potentialités est conditionnée par l’effectivité de la lecture. Cette
propriété de l’hypertexte en fait un document " interactif " dans lequel le lecteur tient
6
une place prépondérant ". Cette définition privilégie la problématique de la présentation

des informations (en termes d’interface) et dénote de l’aspect éphémère et aléatoire des
informations présentées dans les hypermédias. Les définitions que nous venons de donner
ainsi que beaucoup d’autres tendent à dire qu’un hypertexte est un dispositif informatise
permettant l’interconnexion de documents de divers types par des mécanismes associatifs
sous contrôle de l’utilisateur. Il est représenté par un réseau de nœuds et de liens dans
lequel les nœuds sont des documents et liens des références entre ces nœuds.
Il recouvre la notion d’intégration via les techniques d’interfaçage et celle d’organisation
par l’accès associatif aux informations. Ainsi un hypertexte a deux aspects : un aspect
organisation interne (nœuds et liens) et un aspect organisation externe (point d’ancrage
et navigation) [3].
1.4 Les modéles de navigation

Généralement, on distingue trois modèles de navigation dans un espace d’information :
• La navigation spatiale
• La navigation sémantique
• La navigation sociale
Ces trois modèles ne s’excluent pas et entrent souvent en interactions(Cf.Figure 1.1[ ]).
Le modèle de navigation sociale privilégie les interactions humaines et la recommandation.
C’est une technique relationnelle qui juge d’une information en tenant compte de sa noto-
riété ou de la notoriété de l’auteur qui donne l’information. Ceci permet à celui qui veut
engager une recherche sur Internet, de bénéficier des recherches et des parcours effectués
auparavant par d’autres internautes. Les principes de la navigation sociale peuvent être
trouvés chez Michel de Certeau et Luce Giard dans " l’ordinaire de la communication ",
lorsque ces auteurs montrent que pour trouver une information, la solution qui consiste à
faire appel à des experts n’est pas la seule pratiquée. Elle s’appuie sur une distance sociale
maximale, sur la légitimité du spécialiste, sur des autorités. Les pratiques, qui constituent
7
Figure 1.1 – Les trois modèles de navigation.
l’angle d’attaque privilégiée des auteurs, révèlent que l’on peut tout aussi bien chercher la
même information auprès d’un ami, d’un voisin, d’un membre de sa famille, qui présentent
tous l’avantage de la proximité sociale. Ce seul trait suffira à valider leurs informations,
car elles seront exprimées dans les termes d’une culture et d’une expérience partagées [25].
1.5 Problématique de la navigation sur Internet

Dès la fin des années 1980, les recherches avaient mis en évidence des difficultés spéci-
fiques de la navigation [5]. Ces problèmes ont pris une nouvelle dimension avec l’arrivée au
début des années 1990 - du Web. On peut cependant les ramener à deux grands types de
problèmes qui sont identifiés par Conklin [5] : la désorientation et la surcharge cognitive.
Ces deux problèmes s’appellent mutuellement. Chaque type de problème a été l’objet de
8
nombreuses études spécifiques.
1.5.1 La surcharge cognitive
Un utilisateur est en surcharge cognitive quand il se trouve submerge par l’abondance

d’informations et par l’excès de traitement à réaliser. Cette surcharge correspond a la
diminution d’attention et de concentration sur l’objectif principal due a notre mémoire
humaine (ou mémoire de travail) qui est trop faible et n’est pas capable de tout retenir.
Car, comme l’avance Miller, un individu ne peut retenir plus de sept (07) éléments à la
fois sans engendrer l’oubli ou la rétention superficielle [14].
1.5.2 La désorientation
Elle est définie comme un effet cognitif produit chez l’usager qui perd le lien significatif
entre ce qui est affiché sur son écran de travail et le but réel qu’il poursuivait au départ de
sa navigation. Ce problème peut provenir de la mémoire à court terme qui est trop court
pour se rappeler les informations déjà reçues ou pour les relier aux objectifs poursuivis.
Elle provient de la liberté de déplacement de noeud en noeud dans le système qui peut
finir par troubler l’utilisateur au risque de se poser des questions du type "où suis-je ?",
"pourquoi suis-je la ? " et "que dois je faire ? " . C’est cet effort de concentration néces-
saire pour maintenir différents travaux ou chemins en même temps qui entrainent une
surcharge cognitive de l’usager. Gall et Hannafin (1994) [7] reprennent la définition de
la désorientation proposée par Conklin [5] : "Conklin (1987) described disorientation as
either not knowing where the current location is in relation to the rest of the network, or
being unable to find a location in the network that is known to exist".
Edwards et Hardman rappellent, eux, celle proposée par Elm et Woods : " The user not
having a clear conception of the relationships within the system, or knowing his present
location in the system relative to the display structure, and finding it difficult to decide
where to look next within the system " [6]. Trois niveaux de difficultés ont été mis en
évidence :
1. la navigation dans l’espace logiciel : c’est le fonctionnement du système hypertexte
9
qui n’est pas connu. L’utilisateur ne sait pas ce qu’il faut faire ;
2. la navigation dans l’espace conceptuel : ce sont les catégories qui structurent l’in-
formation qui ne sont familières, l’utilisateur n’arrive pas à rentrer dans le système
conceptuel de l’auteur ;
3. la navigation dans le texte : c’est le parcours des liens hypertextuels qui n’est pas
familier. L’utilisateur perd le fil de sa navigation.
Enfin, la désorientation est un effet cognitif qui semble fréquent chez les usagers novices
qui ont du mal à tirer profit des fonctionnalités offertes par les hypertextes.
1.6 La recommandation sur Internet

Internet est un nouvel outil d’information et de communication en pleine évolution
offrant des perspectives de croissance exceptionnelles. C’est devenu un formidable moyen
pour communiquer, d’échanger, de travailler, de rencontrer, d’apprendre et même de com-
mercer. Internet est entraîné à modifier nos habitudes et de transformer complètement
notre mode de vie.
Les systèmes de recommandation sont nés de la volonté de pallier le problème de surcharge
d’information sur le Web. Combinant des techniques de filtrage d’information, personna-
lisation, intelligence artificielle, réseaux sociaux et interaction personne-machine, les sys-
tèmes de recommandation fournissent à des utilisateurs des suggestions qui répondent à
leurs besoins et préférences informationnelles. En effet, les systèmes de recommandation
sont particulièrement sollicités dans les applications de commerce électronique [23].
1.7 Définition des Systèmes de Recommandation (SR)

En raison de la popularité croissante des systèmes de recommandation dans de nom-
breux domaines, conduit l’apparition d’un conflit dans sa définition. Il existe de beaucoup
des nombreuses définitions parmi eux la définition de Saimadhu [26], Saimadhu propose
la définition suivante : " un système de recommandation est une boîte noire qui analyse
10
un certain ensemble d’utilisateurs et présentes les items où un seul utilisateur peut aimer
". Et la définition générale de Robin Burke [4] qui les défini comme suit : "des systèmes
capable de fournir des recommandations personnalisées permettant de guider l’utilisateur
vers des ressources intéressantes et utiles au sein d’un espace de données important ".
En remarque dans les deux définitions que les systèmes de recommandation fonctionnent
idéalement sur les manières suivantes : soit sur les propriétés des éléments que l’utilisateur
aime ou non " les items ", soit sur la similarité entre les utilisateurs et de leur recommander
des articles en conséquence. Il est également possible de combiner ces deux méthodes pour
construire un moteur beaucoup plus robuste de recommandation. Beaucoup algorithmes
ont été utilisées pour mesurer la similarité des utilisateurs ou des items dans les systèmes
de recommandation par exemple le k-nearest neighbors (k-NN) et Pearson correlation ...
Un système de recommandation prend en compte plusieurs facteurs en considération pour
faire une recommandation à un utilisateur :
• le profil de l’utilisateur : âge, situation géographique, historique, ...
• Informations sur les différents articles disponibles : contenu associé à l’article
• Les interactions des utilisateurs : notent, contenu de navigation
• Le contexte dans lequel les articles seront affichés : sous-catégorie d’articles

qui doivent être considéré
Figure 1.2 – Facteurs de recommandation.
11
1.8 Différence entre Système de Recommandation SR

et Moteur de Recherche MR
Moteur de Recherche : Un moteur de recherche (Search engine en anglais) est un
service en ligne permettant de trouver facilement des ressources grâce à un ou plusieurs
mots-clés dans un formulaire de recherche. Les ressources peuvent être des pages web, des
articles de forums Usenet, des images, des vidéos, des fichiers, etc..
Les exemples les plus connus sont Google et Yahoo !
Fonctionnement d’un moteur de recherche : Un moteur de recherche fonctionne

grâce à un grand nombre de serveurs appelés robots chargés de parcourir la toile en
suivant récursivement les liens des millions de pages Web et indexant le contenu dans de
gigantesques bases de données afin de permettre leur interrogation [30].
Moteur de Recommandation : Proposer des objets susceptibles d’intéresser un in-

dividu, tel est l’objectif d’un moteur de recommandation. Le champ de ces objets est
immense. Ce peut être des chansons, des programmes télévisés, des films, des livres, des
appareils électroménagers, des destinations touristiques, des contacts professionnels et tant
d’autres que l’individu pourrait apprécier, qu’il soit simple utilisateur ou bien consom-
mateur. Un moteur de recommandation est donc un ensemble de règles applicables à des
informations provenant de l’individu immergé dans un ensemble beaucoup plus vaste, ce-
lui des objets qu’on peut lui proposer et celui des autres individus. De façon simpliste, le
raisonnement est le suivant : "Les utilisateurs regroupés selon des critères proches de ceux
l’utilisateur ciblé ont apprécié une dizaine de livres. On proposera donc à notre utilisateur
les livres à grand succès".
Comme pour les moteurs de recherche, la pertinence de ces suggestions sera un élé-
ment clef du choix de l’utilisateur lorsqu’il s’agira de recourir à un service. Les intérêts
de la recommandation sont multiples. On retiendra principalement l’amélioration de la
recherche première d’un utilisateur et la génération de ventes additionnelles [31].
Au dernier, Nous concluons que les moteurs de recherche ne sont pas les mêmes que les
12
systèmes de recommandation. Tous deux peuvent fournir du contenu personnalisé qui

correspond à nos besoins.
1.9 Les étapes principales de la recommandation

Un système de recommandation requiert généralement trois(03) étapes :
1. La première consiste à recueillir de l’information sur l’utilisateur ;
2. La deuxième consiste à bâtir une matrice ou un modèle utilisateur contenant l’in-

formation recueillie ;
3. La troisième consiste à extraire à partir de cette matrice une liste de recommanda-

tions.
1.9.1 La collecte d’information
Pour être pertinent, un système de recommandation doit pouvoir faire des prédictions
sur les intérêts des utilisateurs. Il faut donc pouvoir collecter un certain nombre de don-
nées sur ceux-ci afin d’être capable de construire un profil pour chaque utilisateur. Une
distinction peut être faite entre 2 formes de collecte de données :
1. Collecte de données explicites - Filtrage actif : La collecte repose sur le fait

que l’utilisateur indique explicite-ment au système ses intérêts.
Exemple : Demander à un utilisateur de commenter, taguer/étiqueter, noter, liker

ou encore ajouter comme favoris des contenus (objets, articles...) qui l’intéressent.
On utilise souvent une échelle de ratings allant de 1 étoile (je n’aime pas du tout)
à 5 étoiles (j’aime beaucoup) qui sont ensuite transformées en valeurs numériques
afin de pouvoir être utilisées par les algorithmes de recommandation.
Avantage : Capacité à reconstruire l’historique d’un individu et capacité à éviter

d’agréger une information qui ne correspond pas à cet unique utilisateur (plusieurs
personnes sur un même poste).
13
Inconvénient : Les informations recueillies peuvent contenir un biais dit de dé-

claration [24].
2. Collecte de données implicite - Filtrage passif : Elle repose sur une observation
et une analyse des comportements de l’utilisateur effectué de façon implicite dans
l’application qui embarque le système de recommandation, le tout se fait en "arrière-
plan" (en gros sans rien demander à l’utilisateur).
Exemple :
• Obtenir la liste des éléments que l’utilisateur a écoutés, regardés ou achetés en

ligne.
• Analyser la fréquence de consultation d’un contenu par un utilisateur, le temps

passé sur une page.
• Monitorer le comportement en ligne de l’utilisateur.
• Analyser son réseau social.
Avantage : Aucune information n’est demandée aux utilisateurs, toutes les in-
formations sont collectées automatiquement. Les données récupérées sont a priori
justes et ne contiennent pas de biais de déclaration.
Inconvénient : Les données récupérées sont plus difficilement attribuables à un

utilisateur et peuvent donc contenir des biais d’attribution (utilisation commune
d’un même compte par plusieurs utilisateurs). Un utilisateur peut ne pas aimer
certains livres qu’il a achetés, ou il peut l’avoir acheté pour quelqu’un d’autre.
1.9.2 Modèle utilisateur
Le modèle utilisateur se présente généralement sous forme de matrice appelée " matrice
d’usages" On peut se le représenter comme un tableau qui contient des données recueillies
14
sur l’utilisateur associées aux produits disponibles sur le site web.
Table 1.1 – Exemple de matrice d’usage
Le tableau 1 présente un exemple fictif de matrice binaire contenant des informations

de type " l’utilisateur u a apprécie/n’a pas apprécie l’item i ". Ces informations peuvent
également être " a achète/n’a pas achète ", "a consulté/n’a pas consulté ", etc. Elles
peuvent également se mesurer sur un nombre plus élève de classes : " a mis 1/2/3/4/5
étoiles " etc. Un autre point important est comment le temps influence le profil de l’utilisa-
teur. Les intérêts des utilisateurs, généralement, évoluent au cours du temps. Les données
du modèle utilisateurs devraient donc constamment être réajustées pour rester conformes
aux nouveaux centres d’intérêts de l’utilisateur.
1.9.3 Liste de recommandations
Pour extraire une liste de suggestions à partir d’un modèle utilisateur, les algorithmes
utilisent la notion de mesure de similarité entre objets ou personnes décrits par le modèle
utilisateur. La similarité a pour but de donner une valeur ou un nombre (au sens mathé-
matique du terme) à la ressemblance entre 2 choses. Plus la ressemblance est forte, plus
la valeur de la similarité sera grande. A l’inverse, plus la ressemblance est faible, et plus
la valeur de la similarité sera petite. On verra quelques exemples plus tard dans ce texte.
1.10 Les techniques de recommandation

Les techniques sont divisées en deux analyses : SR à base d’items, et SR à base d’uti-
lisateurs, nous allons expliquer chacune de ces deux analyses.
15
1.10.1 L’analyse basée sur l’item
Les approches dans cette classe appliquent les calculs statistiques sur les items. L’idée
fondamentale est de proposer à l’utilisateur des items similaires à ceux qu’il a aimés. Deux
approches sont principalement connues dans cette classe : la recommandation à base de
contenu et le filtrage collaboratif à base d’items [2] [20].
Figure 1.3 – Analyse basée sur l’item.
1.10.2 L’analyse basée sur l’utilisateur
Les approches basées sur les utilisateurs considèrent qu’un utilisateur a tendance à
privilégier les items appréciés par les utilisateurs qui lui sont similaires. Chaque approche
Figure 1.4 – Analyse basée sur l’utilisateur.
interprète la similarité différemment, le FC considère que les utilisateurs sont voisins s’ils
ont un comportement similaire à l’égard des items (ils attribuent des notes proches aux
items) [18]. En revanche, le SRC considère qu’un utilisateur a une tendance à imiter le
comportement et suivre les conseils des utilisateurs auxquels il fait confiance [12].
16
1.11 Quelle analyse est la bonne ?

• Si notre liste d’articles ne change pas beaucoup, il est utile de créer une corrélation
point-à-point en utilisant l’analyse basée sur l’article. Le tableau obtenu peut ensuite
être utilisé dans le moteur de recommandation.
• Si notre liste d’articles change fréquemment, par exemple des articles liés à l’actua-
lité, il peut être utile de trouver des utilisateurs connexes pour les recommandations.
• Si l’article est recommandé à un utilisateur, il n’y a pas d’autre choix que de trouver
des utilisateurs liées.
• La dimension de l’espace de l’article et l’utilisateur peut être utile dans le choix des
approches et ceci peut être plus facile à mettre en œuvre. Par exemple, si nous avons
des millions d’utilisateurs et un ordre de grandeur de moins d’éléments, il peut être
plus facile de faire une analyse basée sur l’article. Chaque fois que les utilisateurs se
voient, vous traitez avec des matrices creuses.
1.12 Conclusion
Trouver des informations sur un grand site peut être un processus long et difficile.
Un système de recommandation peut aider l’utilisateur à trouver des informations en
leur fournissant des suggestions personnalisées. Dans ce chapitre, nous avons présenté
tout d’abord la définition de la recommandation en général et ses objectifs principaux.
Ensuite, nous avons souligné les étapes de construction d’un système de recommandation.
Comme nous avons convenu qu’un système de recommandation a pour objectif de fournir
à un utilisateur des ressources pertinentes en fonction de ses préférences. Ce dernier voit
ainsi réduit son temps de recherche mais reçoit également des suggestions de la part du
système auxquelles il n’aurait pas spontanément prêté attention. On a essayé d’expliquer
les deux principaux techniques visant à produire des systèmes de recommandation qui
sont : l’analyse basée sur l’item et l’analyse basée sur l’utilisateur.
17
Chapitre 2
Classification des systèmes de

recommandation
2.1 Introduction
Durant ces dix dernières années, plusieurs classifications sont apparus, suivant les
données à recommander, suivant les informations disponibles et bien évidemment sui-
vantes l’objectif visé. Ce qui conduit l’émergence d’un débat sur quelle classification est
la meilleure. Ce chapitre présente et analyse les différentes classifications existants et met
en évidence les différentes approches de chaque classification. Enfin, nous allons préciser
quelle est la classification générale ou la classification de base.
2.2 Différences classifications des systèmes de recom-

mandation
Il est possible de classer les systèmes de recommandation en différentes manières mais
la classification la plus fréquente est la classification classique énoncée ci-dessous.
18
CHAPITRE 2. CLASSIFICATION DES SYSTÈMES DE RECOMMANDATION
2.3 Classification classique

La plupart des systèmes de recommandation prennent l’une des deux approches de base :
filtrage collaboratif ou filtrage par le contenu. D’autres approches (telles que les approches
hybrides) existent également. A.Tuzhiline et G.Adomavicius [1] ils ont dit : " the current
generation of recommendation methods that are usually classified into the following three
main categories : content-based, collaborative, and hybrid recommendation approaches.".
Figure 2.1 – Classification classique.
2.3.1 Le filtrage basé sur le contenu
Dans cette approche aussi appelée filtrage cognitif, le choix des documents à recom-
mander est basé sur une comparaison des thèmes abordés dans les documents par rapport
aux thèmes intéressant l’utilisateur. Méthodes de filtrage basées sur le contenu sont basées
sur une description de l’article et le profil de la préférence de l’utilisateur. Dans un sys-
tème de recommandation basée sur le contenu, les mots clés qui sont utilisés pour décrire
les élé-ments : à côté, le profil d’utilisateur est conçu pour indiquer le type d’article que
cet utilisateur aime. En d’autres termes, ces algorithmes essayaient de recommander des
éléments qui sont similaires à ceux que l’utilisateur a aimés dans le passé (ou examine
dans le présent). En particulier, divers articles de candidats sont comparés aux éléments
19
Figure 2.2 – Le principe de filtrage basé sur le contenu.
précédemment notés par l’utilisateur et les éléments les plus correspondants sont recom-
mandés. Cette approche a ses racines dans la récupération de l’information et filtrage de
recherche de l’information.
2.3.2 Le filtrage collaboratif
Les méthodes de filtrage collaboratif sont bases sur la collecte et l’analyse d’une grande
quantité d’informations sur les comportements, les activités et les préférences des utilisa-
teurs et de prédire ce que les utilisateurs apprécieront en fonction de leur similarité avec
d’autres utilisateurs. Le principal avantage de l’approche de filtrage collaboratif est qu’il
ne repose pas sur la machine contenue analysable et il est donc capable de recommander de
façon précise les éléments complexes tels que les films, sans nécessiter une compréhension
de l’article lui-même.
Figure 2.3 – Le principe du filtrage collaboratif.
20
2.3.3 Le filtrage hybride
Dans [4], Burke définit le filtrage hybride comme étant une combinaison des méthodes
traditionnelles précédemment présentées afin d’en pallier les limites. Ces dernières sont
actuellement les plus représentées dans la littérature, notamment à cause du fait qu’elles
soient jugées comme étant les plus efficaces [21] [16].
Figure 2.4 – Le filtrage hybride.
2.4 Autres classifications

En 2002, Burke [4] a ajouté trois autres approches : La recommendation basée sur
les données démographiques, la recommendation basée sur l’utilité et la recommendation
basée sur la connaissance. Mais ces trois approches peuvent être considérées comme des
formes particulières de recommandation basée sur le contenu, aussi Nakagawa et Mobasher
[15] ont annexé à ce qui précède, un autre approche de la recommendation basée sur la
détection de motifs et qui n’est incluse ni dans la recommendation basée sur le contenu, ni
dans le filtrage collaboratif. Notons que Mathieu, Mathieu [24] énonce qu’il y a seulement
quatre(4) approches possibles pour un système de recommandation et qui sont :
• Recommandation Personnalisée ;
• Recommandation Objet (Content-Based filtering CB) ;
• Recommandation Sociale (Collaborative Filtering CF - Context Aware) ;
• Recommandation Hybride.
21
2.4.1 Recommandation Personnalisée
Il s’agit de recommander des objets sur la base du comportement passé de l’utilisateur.
2.4.2 Recommandation Objet
Il s’agit de recommander des objets (ou contenus) en se basant sur les qualités et propriétés
intrinsèques de l’objet lui-même et en les corrélant avec les préférences et intérêts de
l’utilisateur. Ce type de système va donc extraire un certain nombre de caractéristiques et
attributs propres à un contenu, afin de pouvoir recommander à l’utilisateur des contenus
additionnels possédant des propriétés similaires. Cette méthode crée un profil pour chaque
objet ou contenu, c’est-à-dire un ensemble d’attributs/propriétés qui caractérisent l’objet.
2.4.3 Recommandation Sociale
Il s’agit de recommander des choses sur la base du comportement passé des utilisateurs
similaires, en effectuant une corrélation entre des utilisateurs ayant des préférences et
intérêts similaires. On utilise des méthodes qui collectent et analysent des données sur
le comportement, les activités, les préférences des utilisateurs. Ensuite, les algorithmes
tentent de prédire ce que l’utilisateur aimera en cherchant des utilisateurs qui ont les
mêmes comportements que l’utilisateur à qui l’on souhaite faire des recommandations.
L’idée sous-jacente est de dire que si une personne A à la même opinion (ou les même
goûts) qu’une personne B sur un objet x, alors la personne A à plus de chance d’avoir
la même opinion que B sur un autre objet y, plutôt que d’avoir la même opinion que
quelqu’un choisi au hasard pour l’objet y. L’idée de base est donc de dire que si des
utilisateurs ont partagés des mêmes intérêts dans le passé, il y a de fortes chances qu’ils
partagent aussi les mêmes goûts dans le futur.
2.4.4 Recommandation Hybride
Une combinaison des trois approches ci-dessus permet de résoudre des problèmes comme
le cold Start et la sparsity (rareté) qu’on retrouve dans une approche de recommandation
uniquement sociale. En appliquant préalablement un algorithme de recommandation ob-
22
jet sur les contenus pour en exploiter leurs descriptions et caractéristiques, accompagné
ensuite d’un algorithme de recommandation sociale pour effectuer les recommandations
peut aider à résoudre ces limitations. Autrement dit, pour les cas de rareté, lorsque peu
d’items ont été évalués par les utilisateurs et qu’un filtrage collaboratif n’est pas possible,
ce qu’on fait, c’est qu’on assigne en premier lieu un pseudo-rating ou vote artificiel par
défaut à l’utilisateur sur les contenus disponibles en utilisant préalablement un algorithme
objet. Puis, on applique sur la matrice (contenant peu de vrais ratings et beaucoup de
pseudo-ratings) un filtrage collaboratif [21]. Damien Poirier [17] dit " Il existe différentes
formes de recommandation, suivant les données à recommander, suivant les informations
disponibles et bien évidemment suivant l’objectif visé. Nous présentons ici les formes de
recommandation les plus répandues " de même Damien proposé une classification en (04)
approcher Il a ajouté en plus de la recommandation personnalisée et la recommandation
sociale la suit :
2.4.5 Recommandation Éditoriale
La recommandation éditoriale est généralement utilisée lorsqu’aucun autre système de

recommandation n’est présent ou encore lorsque le système n’a aucune connaissance sur
le visiteur du site. Cette forme de recommandation a pour principal objectif d’attirer
rapidement l’œil de l’utilisateur novice afin de lui procurer l’envie de parcourir une partie
du catalogue, comme le ferait la une d’un journal. Pour cela, on peut mettre en avant les
produits les plus populaires, les nouveautés, les articles les mieux notés, les promotions ...
2.4.6 Recommandation Contextuelle
Le principe de la recommandation contextuelle est de proposer des items proches de l’item

consulte. Les techniques de rapprochement des items peuvent être simples. On peut par
exemple sélectionner des items du même univers, du même auteur, du même réalisateur,
du même compositeur, de même couleur, etc. Elles peuvent également être plus complexes,
comme avec les méthodes basées sur les usages. Youtube ou Amazon sont des exemples
parfaits de cette technique. Lorsqu’un item est consulte par un internaute, par exemple un
23
disque de Georges Brassens, le système recommande une liste d’items qui ont été apprécies
par les utilisateurs ayant également apprécie ce disque de Brassens.
2.5 Avantages et inconvénients des systèmes de recom-

mandation
• Adaptabilité : Au fur et à mesure que la base de données des évaluations aug-
mente, la recommandation devient plus précise.
• Nouvel utilisateur : un nouvel utilisateur qui n’a pas encore accumulé suffisam-
ment d’évaluations ne peut pas avoir de recommandations pertinentes.
• Nouvel item : un item doit avoir suffisamment d’évaluations pour qu’il soit pris
en considération dans le processus de recommandation.
• Démarrage à froid : le démarrage à froid est un problème pour les nouveaux

utilisateurs qui commencent à jouer avec le système, parce que le système ne dispose
pas d’assez d’informations à leur sujet. Si le profil d’utilisateur est vide, il doit
consacrer une somme d’efforts à l’aide du système avant d’obtenir une récompense
(les recommandations utiles). D’autre part, quand un nouvel item est ajouté à la
collection, le système doit avoir suffisamment d’informations pour être en mesure
de recommander cet item aux utilisateurs.
• Le cas du système débutant : provient lors du lancement d’un nouveau ser-

vice de recommandation. Le système ne possède alors aucune information sur les
utilisateurs et sur les items. Les méthodes de filtrage collaboratif ne peuvent pas
fonctionner sur une matrice d’usages vide. La solution consiste en général à trouver
des informations descriptives des items afin d’organiser le catalogue et inciter les
utilisateurs à le parcourir jusqu’a ce que la matrice d’usages soit assez remplie et
permette de passer en mode collaboratif. Le tableau 2.1 résume les forces et fai-
blesses des méthodes traditionnelles utilisé par les systèmes de recommandation, en
l’occurrence le Filtrage Collaboratif (FC), le Filtrage à Base de Contenu (FBC) [9].
24
Techniques Avantages Inconvénients

- Pas besoin d’une large
communauté
d’utilisateurs pour
pouvoir effectuer des
recommandations.
- Une liste de - L’analyse du contenu est
recommandations peut nécessaire
être générée même pour faire une
Filtrage à base s’il n’y a qu’un recommandation.
du contenu seul utilisateur. - Problème de recommandation
- La qualité croit avec des images et de vidéos en
le temps. absence de Métadonnées.
- Pas besoin - Nécessité du profil d’utilisateur.
d’information sur les
autres utilisateurs.
- Prendre en
considération les gouts
uniques des utilisateurs.
- Ne demande aucune
connaissance sur le
contenu de l’item ni - Démarrage à froid.
sa sémantique. - Nouvel Item.
- La qualité de la - Nouvel utilisateur.
recommandation peut - Problème de confidentialité.
Filtrage collaboratif
être évaluée. - La complexité : dans les systèmes
- Plus les nombre avec un grand,nombre d’items et
d’utilisateurs est d’utilisateurs le calcul croit
grand plus la linéairement.
recommandation est
meilleure
Table 2.1 – Les avantages et les inconvénients des techniques de recommandation
25
2.6 Conclusion
Dans ce chapitre, nous avons vu la classification générale qui contient les deux ap-
proches principales filtrage basé sur le contenu et filtrage collaboratif donnent des résul-
tats très intéressants. Le filtrage collaboratif se propose de recommander aux utilisateurs
certains articles qu’ils n’ont pas encore lus en se basant sur les opinions du groupe d’uti-
lisateurs similaires. En revanche, le filtrage basé sur le contenu évalue si un texte est
pertinent ou non pour un utilisateur, en fonction de son profil thématique. Néanmoins,
ces deux aspects du profil semblent importants. Ainsi, une approche hybride combinant
les goûts thématiques personnels et les opinions des utilisateurs du groupe paraissent la
meilleure méthode pour fournir des recommandations. Nous avons décrit les principaux
avantages et inconvénients de chacune de ces méthodes. II est à noter que ces techniques de
filtrage ne prennent pas en compte un bon nombre d’informations utiles pour expliquer le
jugement qu’effectue l’utilisateur. Ceci requiert la prise en compte de différentes sources
d’informations sur l’utilisateur (ses préférences précédemment déclarées, son réseau so-
cial,...) et leurs corrélations avec le contenu des documents qui lui sont proposés. Ainsi,
nous avons assisté, ces dix dernières années, à la naissance de plusieurs nouvelles familles
de systèmes de filtrage d’information, comme les systèmes de filtrage d’information basés
sur l’utilité, les systèmes de filtrage d’information à base d’ontologies, les systèmes d’an-
notations collaboratives, les systèmes de filtrage d’informations à base de réseaux sociaux,
etc.
26
Chapitre 3
Présentation des systèmes de

recommandation existants
Un nombre assez important de systèmes de recommandation sont proposés dans la

littérature. Nous citons entre autres :
3.1 Ezako-Un surplus d’intelligence

L’outil Ezako collecte des informations et permet de former des groupes de clients aux
goûts similaires mais aussi de découvrir les goûts individuels des clients. Le tableau de
bord est conçu pour piloter le plus simplement possible les actions.
Les recommandations basées sur l’historique de ventes et les clients similaires peuvent être
orientées par des règles métiers (fin de stock..) et un stratégie de vente (offres spéciales,
top ventes,...).
La version custom plus puissante propose une personnalisation du moteur de recherche,
une recherche instantanée et un autocorrection des requêtes [29].
27
CHAPITRE 3. PRÉSENTATION DES SYSTÈMES DE RECOMMANDATION
EXISTANTS
3.2 Amazon
Amazon, star des entreprises d’e-commerce est un modèle de réussite pour beaucoup.
Son succès grandissant depuis sa création en 1994 est impressionnant, notamment avec
son taux de transformation atteignant plus de 6% , soit le double du score moyen des sites
e-commerce français et le triple de Pixmania (Source : Internet retailer). Un de ces points
forts les plus remarqué Incontestablement son système de recommandation. 30% du CA
total d’Amazon est généré grâce à lui [32]. Il est frappant dès les premières visites. A peine
Figure 3.1 – Amazon recommandation.
le premier produit consulté sur le site que des suggestions très précises nous sont proposés.
Souvent bluffés, les utilisateurs naviguent sur le site au gré des recommandations basées
sur les achats réalisés précédemment par des acheteurs intéressés par des produits simi-
laires. Nos meilleurs conseils ne viennent donc plus de notre libraire mais d’un algorithme
de recommandation qui n’a plus à faire ses preuves.
Mais comment Amazon a-t-il développé un outil aussi sophistiqué et perfor-
mant ?
Les consommateurs aiment être conseillés et avisés par des personnes partageant leurs
goûts. C’est sur cette théorie qu’Amazon a développé son système de recommandation
automatique. Misant ainsi sur du contenu (2 produits peuvent être plus en moins liés en
fonction du nombre de mots similaires dans leur description par exemple.) et sur le fil-
trage collaboratif (la construction d’une matrice de relation entre les différents achats des
consommateurs), Amazon a développé son mystérieux algorithme item-to-item collabo-
rative filtering. La priorité est clairement la personnalisation des produits recommandés
en fonction des intérêts de chaque consommateur. La tendance serait de recommander les
28
EXISTANTS
produits similaires entre des clients ayant des similitudes (age, ville, sexe, CSP,...) mais
Amazon a préféré faire le choix de recommander des produits en fonction d’une liste établie
avec les consultations de produits, achats et classements réalisés par les consommateurs
eux-mêmes.
3.3 Pigdata-La recommandation produit orienté métier

et visuel
L’outil de recommandation produit Pigdata fonctionne en mode Saas avec un algo-
rithme de collaborative filtering avec plus de 100 paramètres analysés. Pigadata est custo-
Figure 3.2 – Pigdata-La recommandation produit orienté métier et visuel.
mizable avec 120 paramètres analysés comme le temps passé sur la page, les clics effectués
ou, bien entendu, les achats réalisés [29].
3.4 Google
Google personnalise nos résultats de recherche, quand cela est possible, en se basant sur
notre localisation et/ou nos dernières recherches. Lorsqu’on est connecté à notre compte
Google, il propose un contenu encore plus pertinent en fonction de notre historique de
recherche. L’algorithme du PageRank est de manière intrinsèque un outil basé sur de la re-
commandation sociale dans la mesure où il utilise les liens entre les pages web. L’utilisation
de contenus provenant de nos cercles de Google+ est aussi une forme de recommandation
sociale [17].
29
EXISTANTS
3.5 Frosmo-Un boîte à outils au service de l’améliora-

tion de la conversion
Cette solution en mode SaaS venue de Finlande est très riche et permet une approche
globale pour l’amélioration de la conversion. Frosmo propose ainsi en plus du moteur de re-
commandation produit, un outil d’A/B Testing et du Retargeting. L’outil est notamment
Figure 3.3 – Frosmo moteur de recommandation.
intégré à Google Adwords. Sa prise en main est donc plus impliquante et une prestation
de consulting technique et/ou sur la data est parfois nécessaire en plus de l’abonnement
mensuel conçu par paliers. L’outil coûte 500 e/mois pour moins de 100 000 visiteurs/mois
et 1500 e/mois pour moins d’1 million de visiteurs/mois. Pour les petits sites, un autre
éditeur Finlandais propose Nosto qui équipe 1600 sites dans 64 pays et qui fonctionne
avec un algorithme de collaborative filtering (analyse comportementale) [29].
3.6 Target2Sell-Pour les petits comme les gros mar-

chands
Figure 3.4 – Target2Sell.
30
EXISTANTS
Solution Saas spécialisée dans la recommandation, Target2Sell vise aussi bien les gros
marchands, tels que Auchan, Monoprix, Raja, que les petits commerçants, notamment
via un récent accord signé avec Oxatis. Les concepteurs de la solution ont mis l’accent
sur la simplicité tant dans l’interface du backoffice de l’outil que dans son mode de fonc-
tionnement. Ainsi, le service privilégie les algorithmes auto-apprenants. Il faudra attendre
une version future pour développer ses propres algorithmes prédictifs sur la plateforme.
Ceux-ci intègrent un fonctionnement multicanal, avec une recommandation optimisée en
fonction du canal, qu’il soit le site web, le site mobile, ou le canal e-mail - avec une
intégration menée avec Mailchimp et Smart Focus [28].
3.7 Nuukik-Plusieurs approches d’analyse prédictive

Le lancement de Nuukik fait suite à 3 ans de R & D menée avec l’INRIA pour dévelop-
per les algorithmes de recommandation de ce service. Celui-ci panache le Collaborative
filtering, c’est-à-dire une recommandation qui s’appuie sur les ventes déjà réalisées ainsi
que la navigation des internautes, avec une recommandation basée sur les contenus, typi-
quement les attributs de la fiche produit. Ce mélange de deux approches doit permettre,
selon les ingénieurs de la start-up de rester pertinent même lorsqu’il y a peu d’histo-
rique sur un produit, au moment des changements de collection dans le textile. De base,
Nuukik propose sa technologie sous forme de service Cloud, avec une facturation à la
requête. Néanmoins, l’éditeur n’exclut pas la possibilité de déployer son logiciel en mode
on-premise pour les sites qui en exprimeront le besoin [28].
Figure 3.5 – Moteur _ nuukik.
31
EXISTANTS
Editeur Amazon Google Target2Sell Frosmo so- Nuukik Ezako Pigdata

lution Ltd
Plateformes Linux, Mac, Windows, Sans objet Sans objet Sans objet Sans objet
Windows, Linux, linux
Unix, Windows
MacOs
BD NoSQL, Bigtable Via API Via API Oracl, Via API Sans objet
Dy- (A Dis- post-
namo.db tributed greSQL,
Storage etc
System for
Structured
Data)
Algorithmes algorithme content- Algorithme algorithme Mix de col- Mix de col- collaborative
implémen- item- based auto ap- de colla- laborative laborative filtering
tés to-item filtering prenant borative filtering filtering
collabo- guide par filtering et content et content
rative règles (analyse based based
filtering comporte-
mentale)
facteurs de l’historique la loca- en fonction en fonc- (notes, l’historique le temps
recomman- des achats lisation du visiteur tion des commen- de ventes passé sur la
dation et des de l’uti- (presque préférences taires), les et les page, les clics
consul- lisateur comme et des compor- clients effectués ou,
tations, et/ou les Amazon) comportements similaires bien entendu,
le temps dernières tements de l’uti- peuvent les achats
passé sur recherches des utilisa- lisateurs être orien- réalisés.
une page, d’même teurs. faite en tées par
comment (histo- "arrière- des règles
l’utilisa- rique de plan" ainsi métiers
teur est recherche) que le (fin de
arrivé sur contenu stock..)
Amazon, qui et une
le parcours consiste à stratégie
de la dé- définir des de vente
couverte à caracté- (offres spé-
l’achat, les ristiques ciales, top
habitudes (objec- ventes,...).
et les goûts tives) aux
en fonction objets
de son
pays, son
climat,...
Type de al- Machine Algorithme algorithme algorithme Machine Machine algorithme
gorithme learning predectif prédictif prédictif learning learning prédictif
et machine
learning
Table 3.1 – Comparatif des moteurs de recommandation d’e-commerce
32
EXISTANTS
3.8 Conclusion
Dans ce chapitre, nous avons comparé certains systèmes de recommandation du do-
maine du e-commerce. Notre moteur de recommandation que nous allons construire est
assez proche de celui d’Amazon. En effet, ce moteur utilise l’algorithme de filtrage col-
laborative item-to-item de type machine learning pour trouver les utilisateurs similaires
à partir de quelques facteurs tels que (les liens disponibles, l’historique, le profil, ...) et
ensuite il recommande les items (dans notre cas les liens) à travers cette similarité.
33
Chapitre 4
Développement du système de
recommandation
4.1 Introduction
Nous allons essayer d’implémenter un système de recommandation sociale. Tout d’abord,
nous allons travailler sur un dictionnaire local et dans un deuxième temps, nous généra-
liserons notre travail sur la base de données DELICIOUS.
4.2 Environnement de travail

4.2.1 Matériel
Marque : Nom HP 630.
Mémoire (RAM) : 2 Go.
Processeur : intel Core(TM) 2Duo (2.27GHz).
Système d’exploitation : Windows 7 Professional SP1 (32bits).
34
CHAPITRE 4. DÉVELOPPEMENT DU SYSTÈME DE RECOMMANDATION
4.2.2 Python
Python est un langage de script de haut niveau, portable, dynamique, extensible, gratuit,
structuré et open source conçu pour être orienté objet. Il est multi-paradigme et multi-
usage. Développé à l’origine par Guido Van Rossum en 1993, il est, comme la plupart
des applications et outils open source, maintenu par une équipe de développeurs un peu
partout dans le monde.
Caractéristiques du langage :
• Python est portable, non seulement sur les différentes variantes d’UNIX, mais aussi
sur les OS propriétaires : MacOS, BeOS, NeXTStep, MS-DOS et les différentes
variantes de Window.
• Python est gratuit, mais on peut l’utiliser sans restriction dans des projets commer-
ciaux.
• La syntaxe de Python est très simple et combinée des types des données évolués
(listes, dictionnaires,...), conduit à des programmes à la fois très compacts et très
lisibles.
• Python gère ses ressources (mémoire, descripteurs de fichiers...) sans intervention du

programmeur, par un mécanisme de comptage de références (proche, mais différent,
d’un garbage collector).
• Python est orienté-objet. Supporte l’héritage multipleet la surcharge des opérateurs.
• Python est dynamique(l’interpréteur peut évaluer des chaînes de caractères repré-

sentant des expressions ou des instructions Python), orthogonal (un petit nombre
de concepts suffit à engendrer des constructions très riches), réflectif (il supporte
la méta programmation, par exemple la capacité pour un objet de se rajouter ou
de s’enlever des attributs ou des méthodes, ou même de changer de classe en cours
d’exécution) et introspectif(un grand nombre d’outils de développement, comme le
debugger ou le profiler, sont implantés en Python lui-même).
35
• La bibliothèque standardde Python, donnent accès à une grande variété de ser-

vices : chaînes de caractères et expressions régulières, protocoles Internet (Web,
FTP, HTML...), persistance et bases de données, interfaces graphiques.
• Python est un langage qui continue à évoluer et un langage de choix pour traiter le
XML [22].
4.2.3 Delicious
C’est un service web de bookmarking social pour le stockage, le partage et la découverte

de signets Web. Le site a été fondé par Joshua Schachter en 2003 et acquis par Yahoo en
2005. A la fin de 2008, le service a fait plus de 5,3 millions d’utilisateurs et 180 millions
d’URL uniques signet. Yahoo a vendu Delicious aux systèmes AVOS en Avril 2011. En
mai 2014, AVOS a vendu le site à science INC [33].
4.3 Partie développement

4.3.1 La conception
(a) Diagramme de classe (b) Diagramme de cas d’utilisation
Figure 4.1 – Digrammes de conception.
36
Pour la partie de conception on a utilisé le langage UML. Dans notre application on

essayer de construire un diagramme de cas d’utilisation (b) qui est un diagramme dy-
namique, chaque cas d’utilisation est associée à une fonction d’algorithmes. Les sections
suivantes expliquent chacune de ces fonctions et l’utilisateur qui peut utilise ces recom-
mandations et un diagramme de classe (a) qui est un diagramme statique.
4.3.2 Possibilités graphiques sous Python
Trois bibliothèques graphiques sous Python sont largement utiliseé : wxPython, tkinter,
pyGTK.
Boa Constructor : est un éditeur pour Python et un constructeur de GUI sur le toolkit
wxPython. Il permet la création et la manipulation visuelle de fenêtres graphiques.
wxPython est une collection de modules Python réalisée sur la base des wxWidgets
de wxWindows, un framework multi-plateformes écrit en C++ [34].
wxPython : met à disposition des développeurs un nombre impressionnant de classes

permettant de réaliser des interfaces homme-machine (IHM) complètement indé-
pendante de l’OS sur lequel ils sont mis en oeuvre. Mais au-delà, d’une simple IHM,
wxPython fournit également des classes de haut niveau aussi diverses que les sockets
réseau, le traitement de l’image ou encore l’interprétation HTML ou XML [35].
Le module Tkinter : module de Python permet de créer des interfaces graphiques

(GUI : graphical user interface).De nombreux composants graphiques (ou widgets)
sont disponibles parmi : fenêtre (classe Tk), bouton (classe Button), case à cocher
(classe Checkbutton), étiquette (classe Label), zone de texte simple (classe En-
try).On peut gérer de nombreux événements : clic sur la souris, déplacement de la
souris, appui sur une touche du clavier, top d’horloge... [37]
PyGTK : module Python permettant la création d’interfaces graphiques utilisant la

bibliothèque GTK2. À partir de GTK3, PyGObject remplace PyGTK dans ce rôle.
37
Pourquoi wxpython est la meilleure bibliothèque graphique ?

Comme nous pouvons le voir dans l’image ci-dessous que le taux d’utilisation de wx-
Python est la plus élevée après PyQt. Puisque wxPython ils plus facile à travailler que
Tkinter et PyGTK et aussi gratuit. Vous pouvez obtenir des choses vers le haut et en
cours d’exécution à été plus facilement et avec moins de code. WxPython est multipla-
teforme, et le même logiciel peut être exécuté sur Windows, UNIX et apparenté, et Mac
OS X sans modification. wxPython est un outil levant avec une communauté active de
Figure 4.2 – Les taux d’utilisation des bibliothèques graphiques.
développement, tandis que Tcl / tk et Tkinter sont vieux et usés mais wxpython est l’outil
de l’avenir. Enfin et pour toutes ces raisons, nous avons adopté l’environnement Boa qui
utilise la bibliothèque wxPython pour le développement de l’interface graphique de notre
application.
4.3.3 Recueillir les préférences (Dictionnaire Local)
La première étape que nous avons besoin est une façon de représenter des différentes
personnes et leurs préférences. Pour cela, nous allons tout d’abord, créer un fichier appelé
recommendations.py. Ce dictionnaire utilise un classement de 1 à 5 comme un moyen
d’exprimer combien chacun des ces critiques de navigation ont aimé un lien donné. Peu
importe la façon dont les préférences sont exprimées, on doit trouver un moyen de les
mapper sur des valeurs numériques. Si c’était le cas d’un site commercial, on pourrait
utiliser une valeur de 1 pour indiquer que quelqu’un avait acheté un article dans le passé
et une valeur de 0 pour indiquer qu’ils n’avaient pas. Pour un site où les gens votent sur
38
Figure 4.3 – Dictionnaire local.
des reportages, des valeurs de -1, 0, 1 pourraient être utilisés pour représenter " détesté
", " ne pas voter " et " aimé ". Utiliser un dictionnaire est pratique pour expérimenter
avec les algorithmes et il est facile de chercher et modifier le dictionnaire mais pour un
très grand ensemble de données, on aura probablement à stocker les préférences dans une
base de données.
Test d’accès au dictionnaire :
Figure 4.4 – Test d’accès au dictionnaire.
4.3.4 Trouver les utilisateurs similaires
Après la collection des données sur les articles que les gens aiment, nous devons trouver
un moyen de déterminer comment les gens sont similaires dans leurs goûts. Pour ce faire,
39
en comparant chaque personne à chaque autre et de calculer un score de similarité. Il y a

plusieurs façons de procéder, et dans notre réalisation, nous pouvons travailler avec deux
systèmes pour le calcul des scores de similarité : la distance euclidienne et la corrélation
de Pearson.
Distance euclidienne : Une façon très simple de calculer un score de similarité est
d’utiliser un score de distance euclidienne.
qP
n 2
E (x, y) = i=0 (xi − yi )
Il prend les liens pour lesquels les gens ont un classement en commun et les utilise comme
axes d’un graphique. Nous pouvons ensuite tracer les gens sur le tableau et voir à quel point
ils se ressemblent. Cette figure montre les gens cartographiés dans l’espace de préférence
Table 4.1 – Espace de préférences.
par exemple Toumi a été tracé à 4.5 sur l’axe Youtube et à 1,0 sur l’axe bayt. Si deux
personnes sont plus étroites dans l’espace de préférence, on peut conclure qu’ils sont plus
similaires dans leurs préférences. Parce que la carte est en deux dimensions, nous ne
pouvons pas regarder deux classements à la fois, mais le principe est le même pour les
grandes séries de classements. Pour calculer la distance entre toumi et layla dans le tableau,
40
il suffit de prendre la différence dans chaque axe, les ajouter ensemble, puis prendre la
racine carrée de la somme. Python, on peut utiliser le pow ( n , 2 ) la fonction à ajuster un
nombre et prendre le racine carrée de la fonction sqrt : sqrt(pow(5-4,2)+pow(4-1,2))
Cette formule calcule la distance, qui sera plus faible pour les personnes qui sont plus
similaires. Cependant, nous aurons besoin d’une fonction qui donne des valeurs plus élevées
pour les personnes qui sont similaires. Cela peut être fait en ajoutant 1 à la fonction (si on
ne reçoit pas une erreur division par zéro) et l’inverser : 1/1+ sqrt(pow(5-4,2)+pow(4-
1,2))
Cette nouvelle fonction renvoie toujours une valeur comprise entre 0 et 1, où une valeur
de 1 signifie que deux personnes ont des préférences identiques. On peut tout mettre
ensemble pour créer une fonction de calcul de similarité.
Nous allons ajouter ce code à recommendations.py.
Figure 4.5 – Fonction de Sim Distance.
Figure 4.6 – L’exécution de Sim Distance.
41
Corrélation de Pearson Score : Une manière un peu plus sophistiqué pour détermi-
ner la similitude entre les intérêts des personnes est d’utiliser un coefficient de corrélation
de Pearson. Le coefficient de corrélation est une mesure de la façon dont deux ensembles
de données tiennent sur une ligne droite. La formule est plus compliquée que le score de
la distance euclidienne, mais elle a tendance à donner de meilleurs résultats dans le cas
où les données ne sont pas bien normalisées.
P
P xΣy
xy− N
r= r
( x)2 ( y)2
P P P
x2 − y2 −
P
N N
Pour mettre en évidence cette méthode, nous pouvons tracer les notes de deux des critiques
sur un tableau. Nous pouvons également voir une ligne droite sur le graphique. C’est ce
Table 4.2 – Sim-Pearson.
qu’on appelle la ligne de meilleur ajustement, car il vient au plus près possible de tous
les éléments sur le tableau. Si les deux critiques avaient des notes identiques pour chaque
lien, cette ligne serait diagonale et toucherait tous les articles dans le tableau, donnant un
score de corrélation parfaite de 1. Dans le cas illustré, les critiques sont en désaccord sur
quelques liens, de sorte que le score de corrélation est d’environ 0,4. Le code pour le score
de corrélation de Pearson trouve d’abord les articles les mieux notés par les critiques. Il
calcule ensuite les sommes et la somme des carrés des notes pour les deux critiques, et
calcule la somme des produits de leurs évaluations. Enfin, on utilise ces résultats pour
calculer le coefficient de corrélation de Pearson. Contrairement à la mesure de la distance,
42
Figure 4.7 – Fonction Sim Pearson.
cette formule n’est pas très intuitive.

Cette fonction retourne une valeur comprise entre -1 et 1. Une valeur de 1 signifie que les
les gens ont exactement les mêmes notes pour chaque article. Contrairement à la mesure
de la distance, nous n’avons pas besoin de modifier cette valeur pour obtenir la bonne
échelle.
Figure 4.8 – L’exécution de Sim Pearson.
4.3.5 Classement des critiques
Maintenant que nous avons les fonctions pour comparer deux personnes, nous pouvons
créer une fonction pour comparer les scores de tout le monde contre une personne donnée
et trouver les plus proches. On va ajouter cette fonction à recommendations.py pour
43
obtenir une liste ordonnée des personnes ayant les mêmes goûts pour la personne en
question :
Figure 4.9 – Fonction de topMatches.
Figure 4.10 – L’exécution de topMatches.
4.3.6 La recommandation d’articles
Nous avons besoin de marquer les articles en produisant un score pondéré qui classe les
critiques. Prenons les voix de tous les autres critiques et multiplions leur ressemblance par
le score qu’ils ont donné à chaque liens. Nous devons diviser par la somme de toutes les
similitudes pour les critiques qui ont examiné ce lien. La dernière ligne indique les résultats
de cette division. Le code est ci-dessous. Maintenant, nous savons comment trouver des
gens semblables et recommander des produits pour une personne donnée. Mais, comment
pouvons-nous voir quels sont les produits qui sont semblables les uns aux autres. Cette
situation est fréquente sur les sites Web commerciaux, en particulier lorsque le site n’a
pas recueilli beaucoup d’informations sur les utilisateurs. nous pouvons déterminer la
44
Figure 4.11 – Fonction de GetRecommendations.
similitude en regardant qui ont aimé un article en particulier et de voir les autres choses
qu’ils aimaient.
Figure 4.12 – L’exécution de GetRecommendations.
Le filtrage basé sur l’article : La technique générale consiste à pré-calculer les élé-
ments les plus similaires pour chaque article.
(dataset) de Comparateur d’Objet :

Pour comparer des objets, la première chose qu’on doit faire est d’écrire une fonction pour
construire l’ensemble des données des articles similaires. Cela ne doit pas être fait à chaque
45
fois qu’une recommandation est nécessaire. Nous construisons l’ensemble de données une
fois et le réutiliser chaque fois que nous en avons besoin.
Figure 4.13 – L’exécution Comparateur d’Objet.
Figure 4.14 – Fonction de Comparateur d’Objet.
dictionnaire transforme :
Dans ce cas, nous pouvons déterminer la similitude en regardant qui ont aimé un article en
particulier et de voir les autres choses qu’ils aimaient. Nous allons ajouter le code suivant
pour réaliser la transformation :
Figure 4.15 – Fonction transformPrefs.
46
Figure 4.16 – Dictionnaire transformé.
4.3.7 Construire une recommandation pour (del.icio.us)
Cette section montre comment récupérer des données à partir de l’un des plus populaires
sites en ligne de bookmarking, et comment utiliser ces données pour trouver des utilisa-
teurs similaires et recommander des liens qu’ils n’ont pas vus auparavant. Ce site, auquel
nous pouvons accéder à l’URL http://del.icio.us, permet aux gens de mettre en place
un compte et poster des liens qui les intéressent. Nous pouvons visiter le site et regarder
les liens que d’autres personnes ont postés, et aussi revoir des liens "populaires" qui ont
été publiées par de nombreuses personnes différentes. Un aperçu de la page del.icio.us est
illustré à la figure suivante :
Figure 4.17 – Site Delicious.
Contrairement à certains sites de partage, del.icio.us ne comprend pas La façon de

trouver des gens semblables ou recommander des liens qu’on aime. Heureusement, on
peut utiliser les techniques présentées dans ce mémoire pour ajouter cette fonctionnalité
nous-même.
47
L’API del.icio.us : Les données de del.icio.us sont mises à disposition par le biais
d’une API (pydelicious 0.6) qui renvoie des données au format XML. Une API Python est
téléchargeable à l’adresse http://code.google.com/p/pydelicious/source. On peut
Figure 4.18 – Get-popular(liste de dictionnaires URL ).
voir qu’il retourne une liste de dictionnaires, chacun contenant une URL, description,
et l’utilisateur qui l’a publié. Puisque nous travaillons sur des données en temps réel,
les résultats seront probablement différents de ceux des exemples. Il existe deux autres
appels que nous allons utiliser, get_urlposts, qui retourne tous les messages pour une
URL donnée, et get_userposts, qui retourne tous les messages pour un utilisateur donné.
Les données de ces appels sont renvoyées de la même manière. Cela nous donnera un
dictionnaire avec certains utilisateurs, référençant tous un dictionnaire vide attendant
d’être remplis avec des liens. L’API ne renvoie que les 30 dernières personnes ayant posté
de lien. Contrairement à l’ensemble de données de critique de différent domaine, il n’y a
que deux notes possibles dans ce cas : 0 si l’utilisateur n’a pas posté de lien, et 1 s’il le
faisait.
Figure 4.20 – Fichier deliciousrec.py mo-

Figure 4.19 – Fichier deliciousrec.py. difié.
48
Recommandation des voisins et des liens :
Maintenant qu’on a construit un ensemble de données, on peut appliquer les mêmes

fonctions qu’on a utilisées avant sur le jeu de données de critique des liens de navigation.
Pour sélectionner un utilisateur au hasard et trouver d’autres utilisateurs qui ont les
mêmes goûts que lui, nous utiliserons le code suivant dans la session Python :
Figure 4.21 – Recommandation des voisins et des liens.
4.4 Conclusion
Dans ce dernier chapitre nous avons essayé de construire un moteur de recommandation
pour le site Delicious. Dans un premier temps nous avons travaillé sur un dictionnaire
local, puis nous avons généralisé le travail sur le site lui-même. Toutefois, des problèmes
relatifs à l’API de Delicious sont à signaler tout au cours des premiers mois de l’année 2016.
Source : http://www.wandlesoftware.com/2016/03/delicious-api-broken.html.
49
Conclusion Générale
Il va sans dire que la surcharge cognitive d’un utilisateur due à une trop grande quantité
d’information est un problème majeur des systèmes hypermédia. L’utilisateur naviguant
sur le Web se trouve ainsi submergé par l’abondance d’informations. Les systèmes de re-
commandation ont été introduits pour résoudre ce problème et sont maintenant largement
utilisés pour améliorer l’expérience utilisateur sur le Web.
Notre travail nous a permis :
• de montrer l’importance des algorithmes de recommandation qui permettent de

produire des recommandations de haute qualité, d’effectuer de nombreuses recom-
mandations par seconde pour des millions d’utilisateurs.
• de mettre en œuvre ces algorithmes en Python qui offre des avantages dans le trai-
tement d’une grande quantité d’information.
• de montrer la puissance de ces algorithmes quand il s’agit de recommander des liens.
• de souligner que les systèmes de recommandations sont apparus pour essayer de

résoudre et limiter les problèmes liés à la surcharge informationnelle (surcharge
cognitive et la désorientation) par proposition de recommandations d’items.
50
Cependant, la tendance actuelle des systèmes de recommandation est plutôt axée sur des
méthodes nouvelles, multicritères, multidimensionnelles ou encore se fondant sur des no-
tions psychologiques comme les émotions, les opinions.
Le système réalisé porte sur le site de partage de signets del.icio.us ; car il ne possédait
pas de moteur de recommandation. Il peut se prévaloir d’apporter des solutions à bon
nombre de problèmes de navigation en conformité avec les objectifs annoncés.
Par ailleurs, il semble maintenant nécessaire d’aborder des questions qui relèvent de
l’usage et du processus de contrôle que l’utilisateur doit exercer sur sa propre activité. On
compte tester notre système dans le cadre de l’apprentissage coopératif – à distance ou
à présence-. Cette évaluation nous permettra de vérifier si les utilisateurs perçoivent eux-
mêmes les avantages de cette simplification de procédures de navigation et de s’assurer
des atouts de notre système.
Enfin, nous entrevoyons pour nos travaux de généraliser notre expérience avec DE-
LICIOUS à d’autres sites Web ainsi que la mise en œuvre de techniques adéquates pour
pouvoir travailler sur des bases de données volumineuses.
51
Bibliographie
Références bibliographiques
[1] Adomavicius, G. and Tuzhilin, A. (2005). Toward the next generation of recommender
systems : A survey of the state-of-the-art and possible extensions. IEEE Transactions
on Knowledge and Data Engineering, 17(6) :pages 734-749.
[2] Basu, C., Hirsh, H., Cohen, W. and Manning, N. C. (2001). Technical paper recom-
mendation : A study in combining multiple information sources.
[3] BERKANE, T. (mars 2012). Systémé d’information & Intelligence Artificielle, mé-
moire de Magister hypermedia adaptatif educatif : interface adaptative et gestion des
profils apprenants, universite mouloud Mammeri.
[4] Burke, R. (2002). Hybrid recommender systems : Survey and experiments. User Mo-
deling and User-Adapted Interaction.
[5] Conklin, J. (1987). Hypertext : an introduction and survey , Microelectronic and

Computer Technology Corp., pages 18-40.
[6] EDWARDS Deborah, M.,HARDMAN, L. (1989). Chapter 7 : "Lost in Hyperspac".

Cognitive mapping and navigation in a hypertext environment, in McAleese Ray (dir.),
52
BIBLIOGRAPHIE
Hypertext : Theory into practice, Oxford, Blackwell ScientificPublications Ltd., coll.

Intellect books, pp. 105-125.
[7] GALL James, E. HANNAFIN Michael, J. (1994). A framework for the study of hy-
pertext, in Instructional Science, Vol. 22, n°3, pp. 207-232.
[8] Goldberg, D., Nichols, D., Oki, M., and Terry, D. (1992). Using collaborative filtering
to weave an information tapestry. In Commun. ACM, volume 35, pages 61-70.
[9] KARAOUZENE, M. (2015). système de recommandation des services web séman-

tiques. Université Abou Bakr Belkaid, Tlemcen.
[10] Maes, P. and Shardanand, U. (1995). Social information filtering : algorithms for au-
tomating "word of mouth". In the SIGCHI conference on Human factors in computing
systems, Denver, Colorado, United States. ACM Press/Addison-Wesley Publishing
Co.
[11] Malone, T., Brobst, S., Cohen, S., Grant, K., and Tur- bak, F. (1987). Intelligent
information des systèmes de partage. In Com- munications of the ACM, volume 30,
pages 390-402.
[12] Massa P. and Avesani P. (2004). Trust-Aware Collaborative Filtering for Recommen-
der Systems, in Proceedings of the Int. Conf. on Cooperative Information Systems.
[13] Michael D. Ekstrand, John T. Riedl, Joseph A. Konstan. (2010). Collaborative Fil-
tering Recommender Systems, Foundations and Trends R in Human Computer Inter-
action, Boston-Delft.
[14] Miller,G.A. (1956). the magical numbre seven, plus or minus two : some limits on
our capacity processing information , Psychological Review,63,81-97.
[15] NAKAGAWA, M., MOBASHER, B. (2003). A Hybrid Web Personalization Model

Based on Site Con- nectivity. In Proceedings of WebKDD, pages 59-70.
[16] Nicolas, B. Etat de l’art sur les Systemes de Recommandation, Projet AxIS de l’IN-
RIA, dans le cadre du projet Addictrip
53
BIBLIOGRAPHIE
[17] Poirier, D. (2011).Des textes communautaires à la recommandation. PhD thesis, Uni-

versité d’Orléans et Université Pierre et Marie Curie - Paris 6.
[18] Resnick, P. and Varian, H. (1997). Recommender systems. In Communications of the

ACM, volume 40, pages 56-58.
[19] Rhéaume,J. (décembre 1993). les hypertextes et les hypermédias , Revue EducaTech-
nologie, volume 1, numéro 2.
[20] Sarwar, B., Karypis, G., Konstan, J., and Riedl, J. (2001).Item-based collaborative
filtering recommendation algorithms. In WWW10, pages 285-295, Hong Kong. ACM.
[21] Schein, A. I., Popescul, R., Ungar, L. H., Pennock, D. M. (2002). Methods and Metrics
for Cold-Start Recommendations. In In Proceedings of the 25th Annual International
ACM SIGIR Conference on Research and Development in Information Retrieval pp.
253-260, ACM Press.
[22] Swinnen, G. (2000-2008). apprendre à programmer avec Python.
[23] Zaïer, Z. (2010). Modèle multi-agents pour le filtrage collaboratif de l’information

Thèse. Doctorat en informatique cognitive, Montréal (Québec, Canada).
Références hypertextes
[24] Mathieu, 25.04.2012, in Dossiers, Mathieu Les algorithmes de re-

commandation,http://www.podcastscience.fm/dossiers/2012/04/25/
les-algorithmes-de-recommandation/ consulté le 14/03/2016.
[25] Navigation-sociale,https://fr.wikipedia.org/wiki/Navigation-sociale,
consulté 11/03/2016 ;
[26] Samaidhu,(January 24,2015), recommendation engine , https://dataaspirant.

com/2015/01/24/recommendation-engine-part-1/.
54
BIBLIOGRAPHIE
[27] Balasabramian,V., (1994), State of the Art Review on Hypermedia Issues and
Applications , Graduate School of Management, Rutgers University, Newark, NJ,
http://www.isg.sfu.ca/~duchier/misc/hypertext-review/index.html
[28] Benchmark Group, 2016, comparatif de 7-moteurs de recommandation

e-commerce,http://www.journaldunet.com/solutions/saas-logiciel/
comparatif-de-7-moteurs-de-recommandation-e-commerce/
[29] Par Senee, 2015, 5 moteurs de recommandation de merchandising à la loupe, Skeelbox

- Tous droits réservés Mentions légales | Skeelbox, 13 rue de Charenton, 75012 Paris,
http://www.skeelbox.com/etude-5-moteurs-de-recommandation/
[30] Jean-François., P, Moteur de recharche, http://www.commentcamarche.net/

contents/1321-moteur-de-recherche, consulté 28/04/2016
[31] Le traitement des donnees nouvelle source de pouvoir le cas des moteurs
de recommandation, http://www.journaldunet.com/ebusiness/expert/62393/
le-cas-des-moteurs-de-recommandation.shtml, consulté 11/03/2016
[32] L’EFFICACITÉ DE LA RECOMMANDATION PRODUIT CHEZ AMA-

ZON, POSTÉ LE 10 JUIN 2013,https://www.antvoice.com/e-commerce2/
lefficacite-de-la-recommandation-produit-chez-amazon/
[33] http://dist.emencia.net/RAPPEL-PYTHON.html, consulté 12/02/2016
[34] http://python.developpez.com/telecharger/detail/id/1923/
Boa-Constructor-wxPython, consulté 10/05/2016
[35] http://alain72.developpez.com/tutos/wxPython/, consulté 10/05/2016
[36] https://fr.wikipedia.org/wiki/PyGTK, consulté 15/05/2016
[37] http://webcache.googleusercontent.com/search?q=cache:http://fsincere.
free.fr/isn/python/cours-python-tkinter.php, consulté 15/05/2016
55
Annexe
Liste des abréviations :
API : Application Programming Interface.
CA : Chiffre d’Affaires.
FC : Filtrage Collaboratif.
FBC : Le Filtrage à Base de Contenu.
k-NN : K-plus proche voisin(k-nearest neighbor).
MR : Moteur de Recherche.
MIT : Massachusetts Institute of Technology.
SR : Système de Recommandation.
SRC : Systèmes de Recommandation à base de Confiance.
Saas : Software as a service.
UML : Unified Modeling Language.
GUI : Graphical User Interface.
56
Résumé
Les systèmes de recommandations sont des systèmes automatiques qui permettent, par des
techniques de Data Mining, de fournir à des utilisateurs des suggestions qui répondent à leurs
exigences. Un grand nombre de systèmes de recommandation existent dans divers domaines.
Leur objectif est de filtrer et d’adapter les informations pour chaque utilisateur. Les méthodes
généralement utilisées pour le calcul de la recommandation sont soit basées sur le contenu soit
sur la similarité de l’utilisateur avec les autres utilisateurs (approches collaboratives).
Ce travail a pour objectif de développer un système de recommandation social sous Python. Il

sera utilisé dans le domaine de la navigation sur le Web pour suggérer à un utilisateur des
ressources pertinentes susceptibles de l’intéresser en se basant sur les avis d’autres utilisateurs
qui partagent avec lui les mêmes centres d’intérêt.
Mots clés : Data Mining, Système de recommandation social, Approches collaboratives,

filtrage basé sur le contenu, Python.
Abstract
Recommendations systems are automatic systems. that, by Data « Mining techniques »
provide to users suggestions that meet their requirements. Many recommendation systems
exist in various areas. Their aim is to filter and adapt the information for each user. The
methods generally used for the calculation of the recommendation is based on the content or
on the similarity of the user with other users (collaboratives approaches).
This project aims to develop a social recommendation system in Python to be used in the area
of Web browsing who suggest to user resources may interest him based on the opinions of
other users who share with him the same interests.
Keywords: Data Mining, Social recommendation system, Collaboratives approaches,

Filtering based on content, Python.
‫ملخص‬
‫إن أنظمة التوصية هي االنظمة اآللية التي تسمح بواسطة تقنيات " تعدين البيانات " تزويد المستخدمين باالتقتاااات التي‬
‫ عدد كبيا من أنظمة التوصية موجودة في مختلف المجاالت هدفها هو تصفية وتكيف المعلومات لكل‬.‫تلبي متطلباتهم‬
‫ األساليب المستخدمة عادة لحساب التوصية إما تكون على أساس المحتوى أو على تشابه المستخدم مع مستخدمين‬.‫مستخدم‬
‫ هذا المشاوع يهدف الى تطويا نظام توصية اجتماعي باستعمال لغة البامجة بيثون الذي سيتم‬.)‫آخاين (مناهج التعاونية‬
‫استخدامه في مجال تصفح اإلنتانت والذي بدوره يقتاح على مستخدم موارد على االرجح تقد تهمه استنادا إلى آراء‬
.‫مستخدمين آخاين الذين يشتاكون معه في نفس االهتمامات‬
.‫ بيثون‬٬ ‫ تصفية على اساس المحتوى‬٬ ‫ مناهج التعاونية‬٬ ‫ نظام توصية االجتماعي‬٬ ‫ تعدين البيانات‬:‫كلمات الدالة‬

pthon

Transféré par

Droits d'auteur :

Formats disponibles

pthon

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

pthon

Transféré par

Droits d'auteur :

Formats disponibles

' $

Département d’Informatique et des

Mémoire MASTER ACADEMIQUE

Spécialité : Informatique industrielle

Présenté par : Laouar Assia - Korichi Khadidja

Un système de recommandation pour l’assistance à la

Devant le jury composé de :

M. Mahdjoub Med Bachir Universié KASDI Merbah- Ouargla Président

M. Zga Adel Universié KASDI Merbah- Ouargla Examinateur

M. Herrouz Abdelhakim Université KASDI Merbah- Ouargla Rapporteur

Année universitaire :2015/2016

Table des matières iii

Table des figures v

Liste des tableaux vi

1 Les systèmes de recommandation 4

2 Classification des systèmes de recommandation 18

4 Développement du système de recommandation 34

1.1 Les trois modèles de navigation. . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1 Classification classique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.1 Amazon recommandation. . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

4.1 Digrammes de conception. . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

1.1 Exemple de matrice d’usage . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.1 Les avantages et les inconvénients des techniques de recommandation . . . 25

3.1 Comparatif des moteurs de recommandation d’e-commerce . . . . . . . . . 32

4.1 Espace de préférences. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

Ce travail présente le développement d’un système de recommandation sociale. Dans

Ce mémoire est organisé en quatre chapitres :

Le chapitre 1 : est consacré à la présentation des systèmes de recommandation en gé-

Le chapitre 2 : portera sur la présentation des différentes classifications des systèmes

Le chapitre 3 : est consacré à une comparaison de quelques sites utilisant un système

Le chapitre 4 : proposera la présentation de l’application réalisée.

Enfin, en guise de conclusions, nous indiquerons quelques remarques sur ce travail en

Les systèmes de recommandation

de recommandation. À l’époque, l’approche la plus commune pour le problème du partage

1.3 Définitions des termes hypertextuelle et hypermé-

une place prépondérant ". Cette définition privilégie la problématique de la présentation

1.4 Les modéles de navigation

Figure 1.1 – Les trois modèles de navigation.

1.5 Problématique de la navigation sur Internet

nombreuses études spécifiques.

1.5.1 La surcharge cognitive

Un utilisateur est en surcharge cognitive quand il se trouve submerge par l’abondance

1. la navigation dans l’espace logiciel : c’est le fonctionnement du système hypertexte

1.6 La recommandation sur Internet

1.7 Définition des Systèmes de Recommandation (SR)

• le profil de l’utilisateur : âge, situation géographique, historique, ...

• Informations sur les différents articles disponibles : contenu associé à l’article

• Les interactions des utilisateurs : notent, contenu de navigation

• Le contexte dans lequel les articles seront affichés : sous-catégorie d’articles

Figure 1.2 – Facteurs de recommandation.

1.8 Différence entre Système de Recommandation SR

Fonctionnement d’un moteur de recherche : Un moteur de recherche fonctionne

Moteur de Recommandation : Proposer des objets susceptibles d’intéresser un in-

systèmes de recommandation. Tous deux peuvent fournir du contenu personnalisé qui

1.9 Les étapes principales de la recommandation

1. La première consiste à recueillir de l’information sur l’utilisateur ;

2. La deuxième consiste à bâtir une matrice ou un modèle utilisateur contenant l’in-

3. La troisième consiste à extraire à partir de cette matrice une liste de recommanda-

1.9.1 La collecte d’information

1. Collecte de données explicites - Filtrage actif : La collecte repose sur le fait