Systèmes de recommandation: Applications et exemples

Nous avons examiné les principaux types de systèmes de recommandation, les concepts clés et les applications concrètes, et avons évalué LightFM, Cornac BPR et TensorFlow Recommenders à l'aide de l'AUC, de la Precision@10 et du Recall@10.

Meilleures bibliothèques Python pour les systèmes de recommandation

Ces bibliothèques implémentent des algorithmes de machine learning pour traiter les données d'entraînement et générer des recommandations personnalisées en utilisant des techniques de filtrage collaboratif ou basé sur le contenu. De plus, ces bibliothèques implémentent des modèles de machine learning pour analyser les données et découvrir des motifs, permettant au moteur de recommandation de suggérer des articles pertinents en fonction du comportement et des préférences de l'utilisateur.

Résultats du benchmark LightFM vs Cornac BPR vs TensorFlow

TensorFlow Recommenders a obtenu les meilleurs résultats. Son architecture de deep learning lui permet de capturer des relations utilisateur-article plus complexes. LightFM, qui fonctionne bien lorsque les métadonnées sont disponibles, n'a pas aussi bien performé ici car nous n'avons utilisé que des données comportementales ; il a tout de même surpassé BPR. Cornac BPR a affiché la qualité de recommandation la plus faible, ce qui le rend plus adapté aux expériences rapides ou aux applications à petite échelle.

Nous avons utilisé notre méthodologie de benchmarking des moteurs de recommandation pour tester LightFM, Cornac BPR et TensorFlow.

Qu'est-ce qu'un système de recommandation ?

Un système de recommandation (ou système de recommandation) est un outil conçu pour fournir des suggestions personnalisées aux utilisateurs en fonction de leurs préférences, de leur comportement et de leurs interactions avec une plateforme. Ces systèmes analysent des données telles que l'historique d'achat, l'historique de navigation, les données démographiques des utilisateurs et les informations contextuelles pour fournir un contenu pertinent. Voici les types de systèmes de recommandation les plus courants :

Techniques de filtrage collaboratif :

• Basées sur les modèles d'interactions entre les utilisateurs et les articles.
• Inclut le filtrage collaboratif basé sur l'utilisateur (trouver des utilisateurs similaires) et le filtrage collaboratif basé sur l'article (trouver des articles similaires).
• Idéal pour l'eCommerce et les services de streaming.

Techniques de filtrage basé sur le contenu :

• Se concentre sur les attributs des articles (caractéristiques des articles) et les interactions passées d'un utilisateur (préférences de l'utilisateur).
• Idéal pour identifier les intérêts spécifiques de l'utilisateur cible.

Systèmes de recommandation hybrides :

• Combinent les méthodes de filtrage collaboratif et basé sur le contenu.
• Tirent parti de modèles de machine learning tels que les réseaux de neurones profonds et les réseaux de neurones récurrents pour des prédictions améliorées.

Concepts clés des systèmes de recommandation

Bases de la factorisation matricielle

La factorisation matricielle est une technique de base du filtrage collaboratif. Elle décompose une grande matrice d'interaction utilisateur-article (par exemple, les évaluations ou les clics) en matrices plus petites qui capturent des motifs ou des relations cachés, appelés caractéristiques latentes.

Cette approche aide à réduire la complexité des données et à découvrir des informations significatives, telles que la préférence d'un utilisateur pour des genres spécifiques ou l'attrait d'un article pour un groupe particulier.

Similarité basée sur les embeddings

Certains frameworks de recommandation calculent la similarité des articles en utilisant des embeddings vectoriels plutôt que des tags partagés. Les approches basées sur les embeddings capturent des caractéristiques nuancées des articles dans un vecteur numérique, permettant une correspondance de similarité plus précise sans maintenance manuelle des tags.

Par exemple, le recommender open-source Gorse prend en charge la similarité par embedding en calculant la distance euclidienne entre les vecteurs d'articles, y compris les embeddings de fournisseurs tels que OpenAI et Ollama.¹

Comprendre les données implicites

Les données implicites font référence aux indicateurs indirects des préférences des utilisateurs, obtenus à partir des comportements plutôt que de feedbacks explicites comme les évaluations par étoiles. Quelques exemples de données implicites incluent les taux de clics, le temps passé sur une page, l'historique d'achat et les modèles de recherche.

Ce type de données est plus facile à collecter à grande échelle et reflète souvent l'engagement réel. Cependant, il peut être bruité ou ambigu, comme interpréter si une longue visite de page indique un intérêt ou une distraction.

Le deep learning dans les recommandations

Le deep learning soutient les systèmes de recommandation en analysant des données complexes et multidimensionnelles à l'aide de réseaux de neurones. Il est particulièrement efficace pour les recommandations basées sur les sessions, la compréhension du contenu et les suggestions contextuelles qui tiennent compte du temps, du lieu ou de l'humeur de l'utilisateur.

Ces méthodes peuvent traiter des données volumineuses et non structurées comme le texte, les images et les vidéos, en apprenant des relations complexes entre les caractéristiques.

Approches de recommandation hybrides

Les systèmes de recommandation hybrides combinent différentes techniques, telles que le filtrage collaboratif, le filtrage basé sur le contenu et les approches basées sur la connaissance. Cette intégration améliore la précision et répond à des défis tels que le problème de démarrage à froid (nouveaux utilisateurs ou articles) et les données éparses.

Domaines d'application des systèmes de recommandation

Presque toutes les entreprises peuvent bénéficier d'un système de recommandation. Il y a deux aspects importants qui déterminent le niveau d'avantage qu'une entreprise peut tirer de la technologie.

• L'étendue des données : Une entreprise ne servant qu'une poignée de clients qui se comportent de manière différente ne recevra pas beaucoup d'avantages d'un système de recommandation automatisé. Les humains sont encore bien meilleurs que les machines dans le domaine de l'apprentissage à partir de quelques exemples. Dans de tels cas, vos employés utiliseront leur logique et leur compréhension qualitative et quantitative des clients pour faire des recommandations précises.
• La profondeur des données : Avoir un seul point de données sur chaque client n'est pas non plus utile pour les systèmes de recommandation. Des données approfondies sur les activités en ligne des clients et, si possible, les achats hors ligne peuvent guider des recommandations précises.

Voici quelques-unes des industries les plus courantes où les systèmes de recommandation sont appliqués :

eCommerce

Les plateformes d'eCommerce exploitent les systèmes de recommandation pour améliorer l'expérience d'achat en suggérant des produits pertinents aux utilisateurs.

Ces systèmes analysent les achats passés, l'historique de navigation et les préférences pour recommander des articles comme « Les clients qui ont acheté ceci ont également acheté » ou « Fréquemment achetés ensemble ».

Ce processus améliore les ventes et augmente la valeur moyenne des commandes, tout en améliorant la satisfaction client en faisant gagner du temps et des efforts aux utilisateurs.

Exemple concret : Amazon

Amazon.com utilise des recommandations de filtrage collaboratif article-à-article sur la plupart des pages de son site web et dans ses campagnes d'e-mail. Selon McKinsey, 35 % des achats sur Amazon sont dus aux systèmes de recommandation.²

Divertissement

Dans l'industrie du divertissement, les systèmes de recommandation aident les utilisateurs à découvrir des films, de la musique, des émissions de télévision ou des livres adaptés à leurs goûts. En analysant les habitudes de visionnage ou d'écoute, ces systèmes peuvent fournir un contenu personnalisé pour augmenter l'engagement des utilisateurs et le temps passé sur la plateforme.

Exemple concret : Netflix

Netflix utilise une combinaison de filtrage collaboratif et de filtrage basé sur le contenu pour suggérer des émissions et des films, ce qui conduit à ce que 80 % du contenu regardé soit généré par les recommandations.

Le Prix Netflix était une compétition lancée par Netflix en octobre 2006 pour améliorer son système de recommandation de films. Le défi offrait un prix de 1 million de dollars à l'équipe ou à l'individu qui pourrait atteindre au moins une amélioration de 10 % de la précision des prédictions par rapport à l'algorithme de recommandation existant de Netflix.³

Exemple concret : Spotify

Chaque semaine, Spotify génère une nouvelle playlist personnalisée pour chaque abonné appelée « Discover Weekly » qui est une liste personnalisée de 30 chansons basée sur les goûts musicaux uniques des utilisateurs. Leur acquisition d'Echo Nest, une startup d'intelligence musicale et d'analyse de données, leur a permis de créer un moteur de recommandation musicale qui utilise trois types différents de modèles de recommandation :⁴

• Filtrage collaboratif : Filtrer les chansons en comparant les données d'écoute historiques des utilisateurs avec l'historique d'écoute d'autres utilisateurs.
• Traitement du langage naturel : Extraire des informations du web sur des artistes et des chansons spécifiques. Chaque artiste ou chanson se voit ensuite attribuer une liste dynamique de termes principaux qui change quotidiennement et est pondérée par la pertinence. Le moteur détermine ensuite si deux morceaux de musique ou artistes sont similaires.
• Analyse de fichier audio : L'algorithme analyse les caractéristiques de chaque fichier audio individuel, y compris le tempo, le volume, la tonalité et la signature rythmique, et fait des recommandations en conséquence.

Médias sociaux

Les plateformes de médias sociaux utilisent des systèmes de recommandation pour suggérer des amis, des groupes, des pages, des publications ou des publicités en fonction des interactions, des préférences et des connexions des utilisateurs. Ces suggestions améliorent l'interaction des utilisateurs, encouragent la découverte de contenu et génèrent des revenus publicitaires.

Meta

Meta utilise des systèmes d'IA pour fournir des recommandations de contenu personnalisées sur Facebook et Instagram, même à partir de sources que les utilisateurs ne suivent pas. Cette approche améliore l'expérience utilisateur en introduisant un contenu diversifié et aide les créateurs à atteindre un public plus large. Le processus de recommandation implique :

• Compréhension du contenu : Utiliser des modèles d'IA pour analyser et interpréter divers types de contenu, y compris les images, le texte, l'audio et la vidéo, pour comprendre leurs significations sémantiques.
• Compréhension des préférences, récupération et classement : Développer des systèmes qui filtrent facilement de grandes quantités de contenu pour identifier et classer ceux les plus pertinents par rapport aux intérêts individuels des utilisateurs.

Cette stratégie basée sur l'IA permet à Meta de présenter aux utilisateurs un contenu engageant au-delà de leur réseau immédiat pour favoriser une exploration plus approfondie des intérêts et améliorer l'engagement global sur la plateforme.⁵

X (anciennement Twitter)

Le système de recommandation de X a éliminé les fonctionnalités conçues manuellement au profit d'une approche apprise de bout en bout. Il utilise un modèle à deux tours pour récupérer les publications pertinentes en encodant séparément l'historique de l'utilisateur et les publications candidates, puis classe chaque élément à l'aide d'un transformateur basé sur Grok qui prédit les probabilités d'engagement directement à partir du comportement de l'utilisateur.

L'implémentation complète est disponible publiquement dans le dépôt X For-You feed.⁶

Santé

Les systèmes de recommandation de santé suggèrent des options de traitement, des ressources de santé ou des mesures préventives adaptées aux données des patients telles que les antécédents médicaux et le mode de vie. L'intégration de l'IA dans les soins de santé améliore la qualité des soins et réduit les coûts de santé. Consultez l'IA générative dans les soins de santé pour en savoir plus.

Exemple concret : Ada Healthcare

Ada Health est une plateforme alimentée par l'IA conçue pour aider les utilisateurs à gérer leur santé en fournissant des conseils médicaux personnalisés. Les utilisateurs peuvent entrer leurs symptômes pour recevoir des évaluations qui suggèrent des conditions possibles et recommandent les prochaines étapes appropriées. Le système d'IA de la plateforme est continuellement optimisé par une équipe d'experts médicaux pour garantir précision et fiabilité.

En plus de servir les utilisateurs individuels, Ada propose des solutions d'entreprise visant à améliorer les résultats des soins de santé. Ces solutions aident les partenaires à éclairer les décisions de santé, à améliorer les processus de triage et à réduire les coûts évitables.⁷

Commerce de détail

Dans le commerce de détail, les systèmes de recommandation sont utilisés pour des expériences d'achat personnalisées, des recommandations en magasin et des suggestions d'inventaire. Ces systèmes aident les détaillants à optimiser la gestion des stocks, à améliorer les ventes et à accroître la satisfaction client.

Exemple concret : Rappi avec Amazon Personalize

Rappi, un service de livraison à la demande en Amérique latine, a collaboré avec Amazon Personalize pour améliorer l'engagement client et augmenter les ventes en mettant en œuvre un système de recommandation personnalisé au sein de son application.

En tirant parti d'Amazon Personalize, Rappi a développé une fonctionnalité appelée « Just For You » (JFY), qui analyse le comportement et les préférences des utilisateurs pour fournir des recommandations de produits sur mesure affichées dans une section dédiée de l'application.

Cette stratégie de personnalisation a conduit à une augmentation de 102 % des taux de clics et à une augmentation de 147 % des revenus provenant des recommandations personnalisées. De plus, l'engagement client s'est amélioré et l'occurrence de produits sous-performants a diminué.⁸

Finance et banque

Les institutions financières utilisent des systèmes de recommandation pour suggérer des options d'investissement, des cartes de crédit ou des produits d'assurance en fonction du comportement financier et des objectifs de l'utilisateur. Consultez les cas d'usage de l'IA générative dans la banque pour en savoir plus sur la façon dont l'IA générative peut être utilisée dans la finance et la banque.

Jeux vidéo

Les plateformes de jeux utilisent des systèmes de recommandation pour suggérer des achats en jeu, de nouveaux jeux ou connecter les joueurs en fonction de leurs préférences, habitudes de jeu et interactions sociales. Cela améliore l'expérience de jeu et génère des revenus.

Exemple concret : Glance avec Google Cloud

Glance, une filiale d'InMobi, s'est associée à Google Cloud pour construire un système de recommandation de jeux personnalisé pour sa plateforme de jeux mobiles, Nostra, qui engage plus de 220 millions d'utilisateurs via les écrans de verrouillage.

En analysant les données des utilisateurs et des jeux avec les données d'interaction, ils ont identifié des modèles comme les moments d'engagement optimaux et les préférences de jeu. Cette collaboration a considérablement amélioré l'engagement des utilisateurs.⁹

De plus, les systèmes de recommandation ouvrent des opportunités de revenus significatives en favorisant la vente incitative, la vente croisée et des taux d'engagement plus élevés. En offrant des suggestions personnalisées, ces systèmes améliorent la rétention des clients, favorisant une fidélité à long terme et une interaction soutenue des utilisateurs.

Systèmes de recommandation basés sur les LLM

Les systèmes de recommandation traditionnels analysent des données structurées comme les évaluations et les clics. Les systèmes basés sur les LLM vont plus loin, comprenant les requêtes en langage naturel, interprétant les préférences nuancées et expliquant leurs suggestions.

Cette approche apporte plusieurs avantages par rapport aux méthodes traditionnelles :

• Compréhension sémantique : Interprète des requêtes complexes en langage naturel au-delà de la correspondance de mots-clés, comme « quelque chose d'édifiant mais pas trop ringard »
• Gestion du démarrage à froid : Les nouveaux utilisateurs peuvent décrire leurs préférences en langage naturel au lieu de nécessiter un historique d'interaction
• Sorties explicables : Génère des explications en langage naturel pour les recommandations, bien que celles-ci décrivent le raisonnement du modèle plutôt que ses calculs internes
• Raisonnement inter-domaines : Identifie les préférences sous-jacentes à travers différentes catégories et types de contenu

Exemples concrets :

• Netflix a développé un modèle de fondation pour les recommandations personnalisées, traitant l'historique d'interaction des utilisateurs comme des tokens et appliquant des architectures basées sur les transformers
• Spotify IA DJ combine l'historique d'écoute avec l'IA générative pour créer des commentaires personnalisés et des sélections musicales
• Amazon Rufus est un assistant d'achat alimenté par l'IA générative permettant la découverte de produits en langage naturel
• Criteo Agentic Commerce Recommendation Service connecte les assistants d'achat IA aux inventaires des commerçants en routant les requêtes via une API Model Context Protocol (MCP), appliquant des signaux d'achat en direct pour classer les produits en fonction du comportement d'achat réel.¹⁰
• Wizard est un agent d'achat IA qui recherche parmi les détaillants, les avis et les sources de contenu pour retourner une liste organisée des cinq meilleurs produits. Contrairement aux recommandeurs spécifiques aux détaillants, il agrège les résultats à travers le web en fonction des besoins décrits par l'utilisateur.¹¹
• LinkedIn a déployé des recommandeurs génératifs et des modèles de séquence à grande échelle dans son classement de fil d'actualité. Plutôt que d'utiliser des modèles séparés pour chaque composant du fil, le système évalue l'activité de chaque utilisateur comme faisant partie d'un parcours continu, permettant au comportement dans différentes zones de la plateforme d'influencer les recommandations partout.¹²

Mise en place d'un système de recommandation

Bien que la plupart des entreprises gagneraient à adopter une solution existante, les entreprises dans des catégories de niche ou à très grande échelle pourraient expérimenter la construction de leur propre moteur de recommandation.

1. Utiliser une solution prête à l'emploi

Les systèmes de recommandation sont l'un des cas d'usage de l'IA les plus anciens et les plus matures.

Les avantages de cette approche incluent une mise en œuvre rapide et des résultats très précis pour la plupart des cas :

• Inclure un extrait de code du fournisseur peut suffire pour commencer.
• Les solutions ont tendance à être précises car les fournisseurs utilisent les données de milliers de transactions de leurs clients de manière anonymisée pour améliorer leurs modèles.

Pour choisir le bon système, vous pouvez utiliser des données historiques ou, mieux encore, des données en direct pour tester rapidement l'efficacité de différents systèmes.

2. Construire votre propre solution

Cela peut avoir du sens si :

• vous êtes dans un domaine de niche où les moteurs de recommandation n'ont pas été utilisés auparavant ou
• vous possédez l'une des plus grandes places de marché au monde où des recommandations légèrement meilleures peuvent faire une différence importante dans vos résultats commerciaux.

Les systèmes de recommandation sur le marché aujourd'hui utilisent une logique comme : les clients ayant des historiques d'achat et de navigation similaires achèteront des produits similaires à l'avenir. Pour qu'un tel système fonctionne, vous avez besoin soit d'un grand nombre de transactions historiques, soit de données détaillées sur le comportement de votre utilisateur sur d'autres sites web. Si vous avez besoin de telles données, vous pourriez les rechercher sur les places de marché de données.

Plus de données et de meilleurs algorithmes améliorent les recommandations. Vous devez utiliser toutes les données pertinentes de votre entreprise, et vous pourriez enrichir vos données clients avec des données de tierces parties. Si un client régulier a cherché des baskets rouges sur d'autres sites web, pourquoi ne pas lui montrer une superbe paire lorsqu'il visite votre site web ?

3. Travailler avec un consultant pour construire vos propres solutions

Un moteur de recommandation légèrement meilleur pourrait augmenter les ventes d'une entreprise de quelques points de pourcentage, ce qui pourrait changer radicalement la rentabilité d'une entreprise à faibles marges bénéficiaires. Par conséquent, il peut être judicieux d'investir dans la construction de meilleurs moteurs de recommandation si l'entreprise n'obtient pas de résultats satisfaisants des fournisseurs de solutions existants sur le marché.

4. Organiser une compétition de science des données pour construire votre propre solution

Une approche possible est d'utiliser la sagesse de la foule pour construire de tels systèmes. Les entreprises peuvent utiliser des données historiques cryptées, lancer des compétitions de science des données ou travailler avec des consultants et obtenir des modèles fournissant des recommandations très efficaces.

Aborder la dérive des données

Les embeddings et les indices d'articles mis en cache peuvent devenir obsolètes avec le temps, provoquant des recommandations qui ne reflètent plus les intérêts actuels des utilisateurs. Des outils tels que Drifter surveillent les pipelines de recommandation en direct en temps réel pour détecter les problèmes de qualité des données et la dérive avant qu'ils n'affectent la qualité des recommandations.¹³

Comment choisir un système de recommandation ?

Choisir le bon système de recommandation dépend de vos objectifs commerciaux, des données disponibles et des ressources techniques à votre disposition. Voici quelques considérations clés :

1. Évaluation du modèle sur vos données
   • Il est essentiel de tester les modèles sur votre propre dataset pour voir comment ils fonctionnent dans votre contexte spécifique. Les benchmarks prêts à l'emploi peuvent ne pas refléter vos utilisateurs, articles ou objectifs commerciaux.
2. Type de données disponibles
   • Données explicites (évaluations, avis, likes) fonctionnent bien avec le filtrage collaboratif.
   • Données implicites (clics, temps passé, achats) favorisent les approches hybrides ou de deep learning.
3. Objectifs commerciaux
   • Si votre objectif est la personnalisation à grande échelle, les systèmes de deep learning ou hybrides sont les meilleures options.
   • Pour des expériences rapides, des modèles plus simples, comme la factorisation matricielle, peuvent suffire.
4. Exigences d'évolutivité
   • Les plateformes à grande échelle (par exemple, eCommerce, streaming) nécessitent souvent des solutions basées sur le deep learning ou hébergées dans le cloud qui peuvent gérer des millions d'utilisateurs et d'articles.
5. Connaissance du domaine et ressources
   • Si votre équipe manque d'expertise en machine learning, utiliser des solutions de fournisseurs (par ex.., Amazon Personalize, Google Recommendations IA) peut accélérer le déploiement.
   • Pour les domaines hautement spécialisés, construire une solution interne peut être nécessaire.

Conseil : Commencez par prototyper avec des bibliothèques prêtes à l'emploi (LightFM, TensorFlow Recommenders) et évaluez les performances avec vos données en direct avant de passer à l'échelle.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Coût de mise en œuvre des systèmes de recommandation

La mise en œuvre d'un système de recommandation implique des coûts directs et indirects :

1. Temps de développement : La construction de modèles personnalisés nécessite des data scientists, des ingénieurs et des équipes d'infrastructure. Le développement peut aller de quelques semaines (pour les prototypes) à plusieurs mois (pour les systèmes de production).
2. Coûts d'infrastructure :
   • Sur site : Nécessite des serveurs GPU, des bases de données et une maintenance continue.
   • Basé sur le cloud : Les coûts évoluent avec la taille des données et l'utilisation des API (AWS, GCP, Azure).
3. Frais de fournisseur : Les solutions SaaS peuvent facturer en fonction du nombre d'appels API, du nombre d'utilisateurs ou de la quantité de données traitées.
4. Coûts continus :
   • Réentraînement, surveillance et mises à jour des modèles.
   • Coûts potentiels d'intégration de sources de données externes pour des recommandations améliorées.

Règle empirique : Les petites entreprises peuvent commencer avec des outils SaaS (<$10k/an), tandis que les entreprises construisant des systèmes internes investissent souvent des millions dans l'infrastructure et les talents.

Implications éthiques des systèmes de recommandation

Bien que les moteurs de recommandation apportent de la valeur, ils soulèvent d'importantes considérations éthiques et sociales :

• Biais et équité : Les algorithmes peuvent renforcer les biais existants (par exemple, recommander uniquement du contenu populaire, ignorer la diversité).
• Préoccupations relatives à la vie privée :
  • La collecte et l'analyse des données utilisateur soulèvent des préoccupations concernant le consentement et la protection des données.
  • La conformité au RGPD, au CCPA et aux autres lois sur la confidentialité des données est cruciale.
• Utilisation responsable des données :
  • Des politiques transparentes devraient expliquer comment les données des utilisateurs sont collectées, traitées et stockées.
  • Les techniques de confidentialité différentielle et d'anonymisation peuvent atténuer les risques.

Méthodologie de benchmark des moteurs de recommandation

Dans cette étude, nous sommes concentrés sur la construction et l'évaluation de systèmes de recommandation basés sur des données de feedback implicite, en particulier les interactions des utilisateurs avec les produits. Le dataset utilisé dans notre analyse contient trois éléments clés : visitorid, itemid, et les types d'interaction tels que view, add to cart et transaction. Étant donné que les utilisateurs n'ont pas évalué explicitement les articles mais ont interagi par ces comportements, nous avons considéré ces données comme un feedback implicite.

Nous avons testé trois modèles de recommandation différents pour évaluer leur efficacité dans le traitement des données implicites :

1. LightFM : Un modèle hybride qui utilise à la fois des méthodes de filtrage collaboratif et basé sur le contenu. Nous avons utilisé la fonction de perte WARP (Weighted Approximate-Rank Pairwise) pour entraîner le modèle. L'accent était mis sur la prédiction de la probabilité qu'un utilisateur consulte un produit en analysant ses interactions historiques avec les articles.
2. Cornac BPR (Bayesian Personalized Ranking) : Un modèle basé sur le filtrage collaboratif conçu pour classer les articles en fonction des interactions des utilisateurs. Il utilise le feedback implicite pour apprendre les préférences des utilisateurs en optimisant le classement des articles pertinents par rapport aux non pertinents.
3. TensorFlow Recommenders : Un framework basé sur le deep learning qui utilise des embeddings pour représenter à la fois les utilisateurs et les articles, capturant des relations complexes entre eux. Le modèle est entraîné sur des interactions implicites, avec une tâche de récupération pour prédire les articles les plus pertinents pour chaque utilisateur.

Les modèles ont été entraînés pour prédire la probabilité qu'un utilisateur interagisse avec un produit, en se concentrant spécifiquement sur l'événement view comme comportement cible. Notre objectif était d'estimer avec quels produits les utilisateurs sont le plus susceptibles d'interagir, en fonction de leur comportement passé. Après l'entraînement, nous avons évalué les modèles en utilisant des données de test pour nous assurer qu'ils pouvaient bien généraliser à des interactions non vues.

Nous avons évalué la performance des modèles sur la base de trois métriques couramment utilisées dans les systèmes de recommandation :

• AUC (Area Under the Curve) : Une métrique qui évalue dans quelle mesure le modèle classe les articles pertinents plus haut que les non pertinents. Un score AUC plus proche de 1 indique une meilleure performance de classement.
• Precision@10 : Mesure combien des 10 articles recommandés les plus pertinents sont réellement pertinents (c'est-à-dire avec lesquels l'utilisateur a interagi). Des valeurs plus élevées indiquent une meilleure précision de recommandation.
• Recall@10 : Mesure combien d'articles pertinents (parmi les interactions de l'utilisateur) apparaissent dans les 10 meilleures recommandations. Cette métrique est cruciale pour comprendre dans quelle mesure le modèle capture les préférences des utilisateurs.

En comparant ces métriques à travers les trois modèles, nous avons identifié le modèle plus performant en termes de classement des articles pertinents et de récupération précise de ces articles dans les meilleures recommandations.

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Systèmes de recommandation: Applications et exemples}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Consulté le 19 Mai 2026}
}

Liens de référence

1.

Item-to-Item Recommenders | Gorse

2.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

3.

Netflix Research

4.

Discover Weekly: How Spotify is Changing the Way We Consume Music - Technology and Operations Management

5.

The AI behind unconnected content recommendations on Facebook and Instagram

6.

GitHub - xai-org/x-algorithm: Algorithm powering the For You feed on X · GitHub

7.

Health. Powered by Ada.

8.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

9.

Nostra from Glance, Gaming Recommendation at Scale with Google Cloud AI | Google Cloud Blog

Google Cloud

10.

Criteo Introduces Agentic Commerce Recommendation Service to Power AI Shopping Assistants | Criteo

Criteo

11.

Wizard Press Release: Marc Lore and Melissa Bridgeford’s Wizard Emerges from Stealth

12.

LinkedIn uses AI to improve feed relevance | Social Media Today

13.

Drifter: Efficient Online Feature Monitoring for Improved Data Integrity in Large-Scale Recommendation Systems

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe des centaines de milliers d'entreprises (selon SimilarWeb) dont 60 % du Fortune 500 chaque mois.

Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes, Washington Post, des entreprises mondiales comme Deloitte, HPE et des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne.

Tout au long de sa carrière, Cem a exercé en tant que consultant tech, acheteur tech et entrepreneur tech. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus d'une décennie. Il a également publié un rapport McKinsey sur la numérisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom tout en rendant compte au PDG. Il a également mené la croissance commerciale de l'entreprise deep tech Hypatos qui a atteint un chiffre d'affaires récurrent annuel à 7 chiffres et une valorisation à 9 chiffres à partir de 0 en 2 ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de la Bogazici University en tant qu'ingénieur informatique et détient un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Sıla Ermut

Analyste Sectorielle

Suivre

Sıla Ermut est analyste sectorielle chez AIMultiple, spécialisée dans le marketing par email et les vidéos de vente. Elle a précédemment travaillé comme recruteuse dans des cabinets de gestion de projet et de conseil. Sıla est titulaire d'un Master of Science en psychologie sociale et d'un Bachelor of Arts en relations internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire