Eric Danan, Thibault Gajdos et Jean-Marc Tallon*
Cet article a été initialement publié dans l’édition de janvier 2021 des 5 articles …en 5 minutes !
La plupart des plateformes Internet que nous utilisons quotidiennement fournissent des recommandations, basées sur l’immense masse de données qu’elles accumulent. Facebook, Amazon, Spotify, LinkedIn, Trip Adivsor et bien d’autres plateformes en sont des exemples bien connus. La manière exacte dont les recommandations sont établies varie d’une plateforme à l’autre mais elles reposent toutes sur un principe simple (dit collaborative filtering) : les articles (ou contenus) qui vous sont proposés sont ceux qui ont été appréciés précédemment par des clients aux goûts similaires aux vôtres. La manière dont cette proximité est évaluée et calculée est déterminante pour comprendre les propriétés de ces algorithmes de recommandation.
Dans cet article, Eric Danan, Thibault Gajdos et Jean-Marc Tallon adoptent une approche axiomatique de ce problème. Ils suggèrent deux principes élémentaires simples qui fondent les règles de recommandation proposées. Le premier principe est un principe de cohérence : si le système a déjà enregistré que vous avez exprimé une préférence pour l’article A par rapport à l’article B, il recommandera A plutôt que B, indépendamment des avis d’autres clients. Le second principe est un principe issu de la littérature en choix social et connu sous le principe de Pareto : si tous les clients qui ont émis une opinion préfèrent A à B alors le système vous recommandera A plutôt que B (ou classera A au-dessus de B). Eric Danan, Thibault Gajdos et Jean-Marc Tallon montrent dans un premier temps que les systèmes usuels de filtres collaboratifs, basés sur des calculs de corrélation de profils des clients, ne satisfont pas ces deux principes. L’article B peut vous être recommandé, plutôt que A, même si tous les clients dont le profil est proche du vôtre ont préféré A à B. Ils caractérisent ensuite toutes les règles qui satisfont les deux principes énoncés. Ces règles ne reposent pas sur des calculs de corrélation entre les profils d’usagers. Elles cherchent plutôt à trouver une combinaison de profils de clients qui soit proche du vôtre. Ces profils sont possiblement assez éloignés de (i.e., peu corrélés à) votre profil, ce qui est une différence majeure avec les systèmes actuels. La caractérisation abstraite de ces règles est un premier pas pour ensuite essayer de les mettre en œuvre.
………………..
Références
Titre original de l’article : Tailored Recommendations
Publié dans : 2020 Social Choice and Welfare, Springer Verlag, In press
Disponible via : https://hal.archives-ouvertes.fr/halshs-02973924/
* Chercheur PSE
Crédits visuel : Shutterstock – metamorworks