Recommandation Personnalisée Hybride

Face à la surabondance de l'information sur le net, l'accès aux ressources pertinentes devient une tâche fastidieuse pour les usagers de la toile.

Les systèmes de recommandation personnalisée comptent parmi les principales solutions qui filtrent les ressources pour ne proposer que les plus pertinentes.

Le filtrage collaboratif et le filtrage basé sur le contenu sont les principales techniques de recommandations personnalisées.

L'objectif de cet ouvrage est de proposer une nouvelle technique d'hybridation en étudiant les bénéfices de l'exploitation combinée d'une part, des informations sémantiques des ressources, avec d'autre part, le filtrage collaboratif.

Nous proposons plusieurs approches pour l'apprentissage d'un nouveau profil utilisateur.

Pour chaque approche proposée, nous traitons le problème du manque de la densité des données et le problème de la massivité des données.

Nous montrons également, de façon empirique, un gain au niveau de la précision des recommandations par rapport à des approches purement collaboratives ou basées sur le contenu.

L'étude expérimentale est effectuée sur la base de données du système de recommandation de films MovieLens.