Résumé

Face à la quantité et la rapidité d’apparition de nouvelles informations au quotidien, l’utilisateur peut s’en remettre non seulement à des systèmes de filtrage d’information par le contenu mais aussi à des systèmes de filtrage collaboratif. Ainsi, il peut recevoir des recommandations grâce aux évaluations de la communauté des personnes partageant les mêmes centres d’intérêt. Cependant, l’utilisateur ne perçoit pas toujours favorablement le rapport coût-bénéfice que ce type de système apporte. Alors que la plupart des travaux dans la littérature focalisent sur les fonctions internes du système, nous présentons dans cet article une plateforme de filtrage collaboratif tournée vers l’innovation en matière de fonctionnalités interactives visant à améliorer ce rapport coût-bénéfice. Cela est fait notamment au travers de fonctionnalités orientées vers la notion de communauté. La possibilité de paramétrer personnellement et finement le système (confidentialité, choix des fonctionnalités intéressantes) est également assurée, car elle devient indispensable dans ce nouveau cadre.

Abstract

With the explosive growth of the quantity of new information available everyday, more and more efficient tools are needed for information retrieval. In order to get relevant information, users can rely not only on cognitive filtering systems but also on collaborative filtering systems, also called recommender systems. The latter distribute recommendations based on the evaluations of a community of people with shared interests. However, one of the major problems of collaborative filtering is that the user does not always have the feeling to be a winner with respect to the cost-benefit ratio (evaluation efforts vs. recommendations benefits). Our research is not focused on internal aspects (improve prediction algorithms), as most related work are. Instead, we present a community-oriented collaborative filtering platform that provides numerous interactive functionalities aiming to improve the cost-benefit ratio. Also, the new platform allows users to personalize the production and the visualization of recommendations as well as his privacy choices.