Résumé

Le filtrage collaboratif est l’une des approches les plus populaires des systèmes de recommandation. En filtrage collaboratif, le système cherche à estimer les préférences de l’uti- lisateur actif en exploitant les préférences (les notes) des utilisateurs similaires à cet utilisateur actif : ses voisins. Le filtrage collaboratif fait face au problème de latence : il ne peut recom- mander un nouvel item à des utilisateurs tant que cet item n’a pas été noté un nombre suffisant de fois. Pour diminuer ce problème de latence, nous proposons une approche à base de mentors s’inspirant des sondages d’opinion. Un mentor est un utilisateur fiable et représentatif, sur qui l’on peut compter. La connaissance des notes (opinions) des mentors sur les nouveaux items permet d’estimer les notes de la population entière. Nous montrons que, sur le corpus que nous avons utilisé, certaines méthodes de sélection des mentors requièrent les notes de seulement 6 mentors pour estimer les notes de la population entière, avec une erreur faible. Ainsi, lorsqu’un nouvel item est intégré dans le système, seules 6 notes sont requises pour faire des recomman- dations de bonne qualité à l’ensemble de la population.

Abstract

Collaborative filtering is one of the most popular approaches in recommender sys- tems. In collaborative filtering, the system exploits the ratings of the active user’s like-minded users: his neighbors, to estimate his ratings on the items he has not rated yet and recommend him the items with the highest estimated ratings. Collaborative filtering faces a latency problem: a new item cannot be recommended to any user while this item has not been rated a sufficiently high number of times. To alleviate this latency problem, we propose a new approach based on mentors, inspired from opinion polls. A mentor is a reliable, representative and trusted user. The knowledge of the ratings of the mentors on new items allows to estimate the ratings of the whole population. We show that, on the corpus tested, when using some of the mentor selection methods, only 6 mentors are sufficient, to reliably estimate the ratings of the whole population.