Nouvelle méthode de démarrage à froid pour les systèmes de recommandation

Abstract

Les systèmes de recommandation sont des outils dont l’objectif est de proposer des items pertinents à l’utilisateur. En d’autres termes, ils tentent de prédire pour un utilisateur l’intérêt d’un item. L’item dans ce contexte peut être un produit à acheter, un morceau de musique à écouter, un film à regarder, un livre à lire, une page web à consulter, ou bien autre chose, L'un des problèmes majeurs des systèmes de recommandation basés sur le filtrage collaboratif est de fournir des recommandations à un nouvel utilisateur ou de rechercher un utilisateur cible pour un nouvel élément. Ceci est appelé problème de démarrage à froid, ce problème est dû à un manque d'informations sur ladite entité et constitue un problème très important à traiter. De nombreuses solutions ont été suggérées pour un problème de démarrage à froid. Ces solutions ne sont pas concentrées sur la question de la personnalisation, ce qui implique une recommandation des items connus, populaires, avec un score élevé et des fois les plus récents. L’inverse est peu recommandé et reste toujours non recommandé surtout dans les systèmes où il y a une évaluation des items. Le problème ici se focalise sur probablement le non satisfaction des utilisateurs. Afin de minimiser l’impact de ces dépendances, l’information personnelle peut jouer un rôle important, dans lequel nous proposons un système de recommandation pour les films basé sur l’analyse du sentiment de l’utilisateur. Notre proposition fait l’objet d’une présentation à la conférence « IAM 2019 » à Guelma. Le papier a été accepté pour une publication dans le journal « IJIAM » (International Journal of Informatics and Applied Mathematics)