Résumé

L’informatique subit actuellement une mutation profonde: les améliorations maté- rielles et les grandes quantités de données disponibles fournissent un terrain fertile à la re- cherche en apprentissage automatique. Dans ce contexte, le principal défi est de tenir compte des préférences des utilisateurs pour proposer un accès personnalisé à l’information. Les sys- tèmes de recommandation créent des profils utilisateurs et objets en utilisant les revues utilisa- teurs, et ces profils reflètent les préférences des utilisateurs et les caractéristiques des objets. Nous proposons ici une analyse par combinaison de systèmes de recommandation et classifieurs de polarité qui met en évidence le vocabulaire de la surprise. En effet, la recommandation ana- lyse le passé et anticipe les attentes d’un utilisateur tandis que le classifieur de polarité prend en entrée une revue déjà écrite par l’utilisateur: nous montrons que l’écart entre l’expérience attendue et le retour réel sur un objet permet de construire un lexique de la surprise.

Abstract

Computer science is undergoing a profound transformation: gains in computing power and the availability of large datasets provide a fertile ground for machine learning re- search. One challenge in this context is to take account of user preferences to provide per- sonalized access to information.Recommender systems create user and item profiles using past user reviews, profiles that reflect user preferences and item characteristics. We propose here an analysis of a combination of recommendation systems and polarity classifiers which highlights a vocabulary of surprise: words indicating a gap between the expectations of users and their actual experience with an item. Indeed, recommender systems analyze past ratings to predict user preferences while sentiment classifiers use existing reviews as input: we show that the dif- ference between expectations and observations enables the construction of a surprise lexicon.