Résumé

Les systèmes de filtrage ont pour but de distribuer des informations de façon personnalisée aux utilisateurs, tout en s’adaptant en permanence au besoin en information de chacun. Dans un système de filtrage hybride s’appuyant sur le filtrage collaboratif, la production de recommandations se base sur des communautés d’utilisateurs qui sont généralement formées conformément au seul critère de proximité des évaluations des utilisateurs sur les recommandations reçues dans le passé. De plus ces communautés restent généralement implicites. Nous proposons un modèle d’espaces de communautés multicritères et explicites, et des mesures se basant sur la théorie des ensembles d’approximation pour analyser la dépendance entre les critères de formation des communautés. Le modèle d’espaces de communautés permet de diversifier les recommandations qui peuvent émaner de communautés variées. Les mesures permettent de comparer des critères entre eux afin de déterminer une priorité entre les critères dans la tâche d’amélioration du positionnement des utilisateurs dans les communautés.

Abstract

Recommender systems intend to provide relevant information based on user preference. Most of them rely on collaborative filtering that compare users on the basis of their ratings in order to group them into communities and then produce recommendations on this basis. We propose a model that allows to explicitly manage multi criteria community spaces in recommender systems, in order to diversify recommendations from different communities. We also define several measures based on the Rough Sets Theory, to compare criteria in order to determine an order to follow when trying to improve the position of users in community spaces.