Systèmes de recommandation: applications et exemples

Nous avons examiné les principaux types de systèmes de recommandation, les concepts clés et les applications concrètes, puis nous avons comparé 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 d’apprentissage automatique pour traiter les données d’entraînement et générer des recommandations personnalisées à l’aide de techniques de filtrage collaboratif ou basé sur le contenu. De plus, ces bibliothèques implémentent des modèles d’apprentissage automatique pour analyser les données et découvrir des schémas, permettant au moteur de recommandation de suggérer des articles pertinents en fonction du comportement et des préférences des utilisateurs.

Résultats du benchmark LightFM vs Cornac BPR vs TensorFlow

TensorFlow Recommenders a obtenu les meilleurs résultats. Son architecture d’apprentissage profond lui permet de capturer des relations utilisateur-article plus complexes. LightFM, qui fonctionne bien lorsque des métadonnées sont disponibles, n’a pas été aussi performant ici car nous avons utilisé uniquement des données comportementales ; il a tout de même surpassé BPR. Cornac BPR a présenté 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 benchmark des moteurs de recommandation pour tester LightFM, Cornac BPR et TensorFlow.

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

Un système de recommandation (ou moteur 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’achats, l’historique de navigation, les données démographiques des utilisateurs et les informations contextuelles afin de proposer un contenu pertinent. Voici les types de systèmes de recommandation les plus courants :

Techniques de filtrage collaboratif :

• Basées sur les schémas d’interactions entre les utilisateurs et les articles.
• Comprennent le filtrage collaboratif basé sur les utilisateurs (recherche d’utilisateurs similaires) et le filtrage collaboratif basé sur les articles (recherche d’articles similaires).
• Particulièrement adaptées au eCommerce et aux services de streaming.

Techniques de filtrage basé sur le contenu :

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

Systèmes de recommandation hybrides :

• Combinent les méthodes de filtrage collaboratif et basées sur le contenu.
• S’appuient sur des approches d’apprentissage automatique telles que les réseaux de neurones profonds et les réseaux de neurones récurrents pour améliorer les prédictions.

Concepts clés des systèmes de recommandation

Principes de base de la factorisation matricielle

La factorisation matricielle est une technique fondamentale du filtrage collaboratif. Elle décompose une grande matrice d’interactions utilisateur-article (par exemple, notes ou clics) en matrices plus petites qui capturent des schémas ou relations cachés, appelés caractéristiques latentes.

Cette approche aide à réduire la complexité des données et à faire émerger des informations utiles, comme la préférence d’un utilisateur pour certains genres ou l’attrait d’un article pour un groupe particulier.

Similarité basée sur les embeddings

Certains frameworks de recommandation calculent la similarité entre articles à l’aide d’embeddings vectoriels plutôt que de balises partagées. Les approches basées sur les embeddings capturent des caractéristiques d’articles nuancées dans un vecteur numérique, permettant une correspondance de similarité plus précise sans maintenance manuelle des balises.

Par exemple, le recommender open source Gorse prend en charge la similarité par embeddings 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 désignent des indicateurs indirects des préférences des utilisateurs, obtenus à partir des comportements plutôt que d’un feedback explicite comme les notes par étoiles. Parmi les exemples de données implicites figurent les taux de clics, le temps passé sur une page, l’historique d’achats et les schémas 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, par exemple lorsqu’il s’agit de déterminer si une longue visite de page indique de l’intérêt ou une distraction.

Apprentissage profond dans les recommandations

L’apprentissage profond 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 la session, 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 de grandes quantités de données non structurées telles que du texte, des images et des 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 toute entreprise peut tirer parti d’un système de recommandation. Deux aspects importants déterminent le niveau de bénéfice qu’une entreprise peut retirer de cette technologie.

• L’étendue des données : une entreprise ne servant qu’une poignée de clients aux comportements variés ne tirera pas beaucoup d’avantages d’un système de recommandation automatisé. Les humains restent bien meilleurs que les machines pour apprendre à partir de quelques exemples. Dans de tels cas, vos employés utiliseront leur logique et leur compréhension qualitative et quantitative des clients pour formuler des recommandations précises.
• La profondeur des données : disposer d’un seul point de données pour chaque client n’aide pas non plus les systèmes de recommandation. Des données approfondies sur les activités en ligne des clients et, si possible, leurs 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 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 afin de recommander des articles du type « Les clients ayant acheté cet article ont également acheté » ou « Fréquemment achetés ensemble ».

Ce processus augmente les ventes et 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 séries télévisées ou des livres adaptés à leurs goûts. En analysant les habitudes de visionnage ou d’écoute, ces systèmes peuvent proposer un contenu personnalisé afin d’accroître 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 séries et des films, ce qui fait que 80 % du contenu visionné provient des recommandations.

Le Netflix Prize était un concours lancé 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 la personne capable d’obtenir 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. L’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 de modèles de recommandation :⁴

• Filtrage collaboratif : filtrage des chansons en comparant l’historique d’écoute des utilisateurs avec celui d’autres utilisateurs.
• Traitement du langage naturel : Extraire des informations sur des artistes et des chansons spécifiques depuis le web. 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 des fichiers audio : l’algorithme examine les caractéristiques de chaque fichier audio, notamment le tempo, l’intensité sonore, la tonalité et la signature rythmique, puis formule des recommandations en conséquence.

Réseaux sociaux

Les plateformes de réseaux 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, favorisent la découverte de contenu et génèrent des revenus publicitaires.

Meta

Meta utilise des systèmes d’IA pour proposer 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 présentant des contenus diversifiés et aide les créateurs à toucher un public plus large. Le processus de recommandation comprend :

• Compréhension du contenu : utilisation de modèles d’IA pour analyser et interpréter divers types de contenu, notamment les images, le texte, l’audio et la vidéo, afin de comprendre leur signification sémantique.
• Compréhension des préférences, récupération et classement : développement de systèmes capables de filtrer facilement de grandes quantités de contenu afin d’identifier et de classer ceux qui sont les plus pertinents pour les intérêts individuels des utilisateurs.

Cette stratégie pilotée par l’IA permet à Meta de présenter aux utilisateurs un contenu engageant au-delà de leur réseau immédiat, afin de favoriser une exploration plus approfondie de leurs intérêts et d’améliorer l’engagement global sur la plateforme.⁵

X (anciennement Twitter)

Le système de recommandation de X a éliminé les caractéristiques 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 utilisateur et les publications candidates, puis classe chaque élément à l’aide d’un transformer basé sur Grok qui prédit les probabilités d’engagement directement à partir du comportement des utilisateurs.

L’implémentation complète est disponible publiquement dans le dépôt du flux X For-You.⁶

Santé

Les systèmes de recommandation en 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 la santé améliore la qualité des soins et réduit les coûts de santé. Consultez la page IA générative dans la santé pour en savoir plus.

Exemple concret : Ada Health

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

En plus de servir les utilisateurs individuels, Ada propose des solutions d’entreprise visant à améliorer les résultats en matière 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 place un système de recommandation personnalisé dans son application.

En s’appuyant sur Amazon Personalize, Rappi a développé une fonctionnalité appelée « Just For You » (JFY), qui analyse le comportement et les préférences des utilisateurs pour offrir des recommandations de produits personnalisées affichées dans une section dédiée de l’application.

Cette stratégie de personnalisation a entraîné une augmentation de 102 % des taux de clics et une hausse de 147 % des revenus issus des recommandations personnalisées. De plus, l’engagement client s’est amélioré et la présence 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 d’un utilisateur. Consultez les cas d’usage de l’IA générative dans la banque pour en savoir plus sur la manière dont l’IA générative peut être utilisée dans la finance et la banque.

Jeu vidéo

Les plateformes de jeux vidéo utilisent des systèmes de recommandation pour suggérer des achats en jeu, de nouveaux jeux ou pour connecter les joueurs en fonction de leurs préférences, de leurs habitudes de jeu et de leurs 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 créer 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 utilisateur et de jeu ainsi que les données d’interaction, ils ont identifié des schémas tels que 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 d’importantes opportunités de revenus en favorisant la vente incitative, la vente croisée et des taux d’engagement plus élevés. En proposant des suggestions personnalisées, ces systèmes améliorent la fidélisation des clients, favorisant une loyauté 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 telles que les notes 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 présente plusieurs avantages par rapport aux méthodes traditionnelles :

• Compréhension sémantique : interprète des requêtes complexes en langage naturel au-delà de la correspondance par mots-clés, comme « quelque chose d’inspirant 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’interactions.
• Résultats 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, en traitant l’historique des interactions utilisateur comme des tokens et en 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 propulsé 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 marchands en routant les requêtes via un Model Context Protocol (MCP) API, en 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 renvoyer une liste organisée de cinq produits. Contrairement aux recommandeurs spécifiques à un détaillant, il agrège les résultats sur 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 le classement de son fil. Plutôt que d’utiliser des modèles distincts pour chaque composant du fil, le système évalue l’activité de chaque utilisateur comme faisant partie d’un parcours continu, permettant aux comportements dans différentes zones de la plateforme d’influencer les recommandations tout au long.¹²

Mettre en place un système de recommandation

Si la plupart des entreprises gagneraient à adopter une solution existante, celles qui évoluent dans des catégories de niche ou à très grande échelle pourraient expérimenter la création de leur propre moteur de recommandation.

1. Utiliser une solution clé en main

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 comprennent une mise en œuvre rapide et des résultats très précis dans la plupart des cas :

• Inclure un extrait de code du fournisseur peut suffire pour démarrer.
• 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 sa 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 marketplaces au monde, où des recommandations légèrement meilleures peuvent faire une différence importante dans vos résultats commerciaux.

Les systèmes de recommandation actuellement sur le marché utilisent une logique du type : les clients ayant des historiques d’achat et de navigation similaires achèteront à l’avenir des produits similaires. Pour faire fonctionner un tel système, vous avez besoin soit d’un grand nombre de transactions historiques, soit de données détaillées sur le comportement de vos utilisateurs sur d’autres sites web. Si vous avez besoin de telles données, vous pouvez les rechercher sur des marketplaces de données.

Plus de données et de meilleurs algorithmes améliorent les recommandations. Vous devez exploiter toutes les données pertinentes de votre entreprise et vous pouvez enrichir vos données clients avec des données de tiers (3rd). Si l’un de vos clients habituels a cherché des baskets rouges sur d’autres sites web, pourquoi ne pas lui montrer une belle paire lorsqu’il visite votre site ?

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. Il peut donc être judicieux d’investir dans la construction de meilleurs moteurs de recommandation si l’entreprise n’obtient pas de résultats satisfaisants avec les fournisseurs de solutions existants sur le marché.

4. Organiser un concours de science des données pour construire votre propre solution

Une approche possible consiste à utiliser la sagesse de la foule pour construire de tels systèmes. Les entreprises peuvent utiliser des données historiques chiffrées, lancer des concours de science des données ou travailler avec des consultants pour obtenir des modèles fournissant des recommandations très efficaces.

Gérer la dérive des données

Les embeddings et les index d’articles mis en cache peuvent devenir obsolètes au fil du temps, entraînant des recommandations qui ne reflètent plus les intérêts actuels des utilisateurs. Des outils comme Drifter surveillent les pipelines de recommandation en direct et 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 des modèles sur vos données
   • Il est essentiel de tester les modèles sur votre propre dataset pour voir comment ils se comportent dans votre contexte spécifique. Les benchmarks prêts à l’emploi peuvent ne pas refléter vos utilisateurs, vos articles ou vos objectifs commerciaux.
2. Type de données disponibles
   • Données explicites (notes, avis, likes) fonctionnent bien avec le filtrage collaboratif.
   • Données implicites (clics, temps passé, achats) favorisent les approches hybrides ou d’apprentissage profond.
3. Objectifs commerciaux
   • Si votre objectif est la personnalisation à grande échelle, les systèmes d’apprentissage profond ou hybrides sont les meilleures options.
   • Pour des expériences rapides, des modèles plus simples, comme la factorisation matricielle, peuvent suffire.
4. Exigences de scalabilité
   • Les plateformes à grande échelle (par exemple, eCommerce, streaming) nécessitent souvent des solutions basées sur l’apprentissage profond ou hébergées dans le cloud, capables de gérer des millions d’utilisateurs et d’articles.
5. Connaissance du domaine et ressources
   • Si votre équipe manque d’expertise en apprentissage automatique, l’utilisation de solutions de fournisseurs (p. ex., Amazon Personalize, Google Recommendations IA) peut accélérer le déploiement.
   • Pour les domaines hautement spécialisés, la construction d’une solution interne peut être nécessaire.

Astuce : 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 des fournisseurs : les solutions basées sur le SaaS peuvent facturer en fonction du nombre d’appels API, du nombre d’utilisateurs ou de la quantité de données traitées.
4. Coûts permanents :
   • Réentraînement des modèles, surveillance et mises à jour.
   • Coûts potentiels d’intégration de sources de données externes pour améliorer les recommandations.

Règle générale : les petites entreprises peuvent commencer avec des outils SaaS (< $10k/an), tandis que les grandes entreprises qui construisent 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 des contenus populaires, en ignorant la diversité).
• Préoccupations en matière de confidentialité :
  • La collecte et l’analyse des données des utilisateurs soulèvent des préoccupations concernant le consentement et la protection des données.
  • Le respect du RGPD, du CCPA et des autres lois sur la confidentialité des données est crucial.
• Utilisation responsable des données :
  • Des politiques transparentes doivent expliquer comment les données des utilisateurs sont collectées, traitées et stockées.
  • La confidentialité différentielle et les techniques 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 explicitement noté 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 le filtrage collaboratif et des méthodes basées sur le contenu. Nous avons exploité la fonction de perte WARP (Weighted Approximate-Rank Pairwise) pour entraîner le modèle. L’objectif était de prédire 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 articles non pertinents.
3. TensorFlow Recommenders : un framework basé sur l’apprentissage profond qui utilise des embeddings pour représenter à la fois les utilisateurs et les articles, capturant les relations complexes entre eux. Le modèle est entraîné sur des interactions implicites, avec une tâche de récupération visant à prédire les articles les plus pertinents pour chaque utilisateur.

Les modèles ont été entraînés à 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 les produits avec lesquels les utilisateurs sont les plus susceptibles d’interagir, en fonction de leur comportement passé. Après l’entraînement, nous avons évalué les modèles à l’aide de données de test pour garantir leur capacité à bien généraliser à des interactions inédites.

Nous avons évalué les performances 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 articles non pertinents. Un score AUC proche de 1 indique une meilleure performance de classement.
• Precision@10 : mesure combien des 10 principaux articles recommandés sont réellement pertinents (c’est-à-dire avec lesquels l’utilisateur a interagi). Des valeurs plus élevées indiquent une meilleure précision des recommandations.
• Recall@10 : mesure combien d’articles pertinents (issus des interactions de l’utilisateur) apparaissent parmi les 10 principales recommandations. Cette métrique est cruciale pour comprendre dans quelle mesure le modèle capture les préférences des utilisateurs.

En comparant ces métriques entre les trois modèles, nous avons identifié le modèle plus performant en termes à la fois 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  = aug,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Consulté le 11 août 2026}
}

Journal des modifications

7 mises à jour

Toutes7Général6Méthodologie1

202620252024

1. 19 mai

   Supprimé la section tutoriel LightFM et ajouté le système de recommandation de X aux exemples de réseaux sociaux.

2. 23 jan

   Ajout d'une section sur les systèmes de recommandation basés sur les LLM.

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.

Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]

Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la digitalisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux 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 Bogazici University en tant qu'ingénieur informatique et titulaire d'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, couvrant les modèles d’IA, l’infrastructure d’IA, la gouvernance de l’IA et les applications d’IA d’entreprise. Ses recherches portent principalement sur l’utilisation de l’IA dans le marketing, la santé, les chaînes d’approvisionnement et le développement durable.
Elle a précédemment travaillé comme recruteuse dans des cabinets de gestion de projet et de conseil. Sıla est titulaire d’un master en psychologie sociale et d’une licence 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