Qu'est-ce qu'un moteur de recommandation ?

Feb 02, 2024

Un moteur de recommandation, ou système de recommandation, est un outil de filtrage de données qui fournit des suggestions personnalisées aux utilisateurs en fonction de leur comportement et de leurs préférences passés. À l'aide d'algorithmes d'apprentissage automatique et d'analyses statistiques, il peut prédire les désirs et les besoins d'une personne en fonction des données qu'elle génère, ainsi que suggérer des produits, du contenu ou des informations qu'elle est susceptible de trouver intéressants ou pertinents.

« L'objectif », selon Patrick Thompson, directeur produit chez Amplitude, fournisseur de moteurs de recommandation, « est d'arriver au point où vous recommandez le bon contenu à la bonne personne au bon moment, en fonction de son parcours précédent. »

Un moteur de recommandation est un outil qui utilise l'apprentissage automatique pour détecter des modèles dans les données comportementales d'une personne (telles que l'historique de navigation et les achats antérieurs) afin de suggérer du contenu, des produits ou des informations spécifiques qu'elle est susceptible de trouver intéressants ou pertinents.

Les moteurs de recommandation sont présents un peu partout, des services de streaming vidéo aux sites de commerce électronique. Quelques exemples familiers incluent Netflix, qui suggère des émissions et des films qu'un utilisateur pourrait aimer en fonction de son historique de visionnage, et Google, qui utilise l'historique de navigation d'une personne pour classer les informations et prédire ce qu'elle pourrait rechercher ensuite.

Dans un monde de surcharge d'informations, les moteurs de recommandation permettent aux consommateurs de découvrir facilement les produits et le contenu qu'ils souhaitent, et aux entreprises de créer des expériences personnalisées qui incitent ces consommateurs à revenir.

Lecture connexePour les utilisateurs, une meilleure IA signifie plus de personnalisation

En termes simples, les moteurs de recommandation rassemblent de nombreuses données, puis utilisent l'apprentissage automatique pour recommander la « prochaine meilleure action », a déclaré Thompson, et cela peut aller de l'achat d'un produit au clic sur une vidéo.

Il existe deux catégories principales en jeu dans un moteur de recommandation : les utilisateurs et les éléments, selon Eugene Medved, développeur d'IA chez le fournisseur de moteur de recommandation InData Labs. "La tâche elle-même", a-t-il expliqué, "consiste à classer les éléments pour un utilisateur spécifique par probabilité d'interaction."

Ceci est accompli par un ordre standard d’opérations, en commençant par la collecte de données.

Les données sont cruciales pour le fonctionnement des moteurs de recommandation. Les informations sur les habitudes de navigation d'une personne, son historique d'achats – et encore plus de détails personnels comme son sexe et son âge – constituent les éléments de base à partir desquels les modèles sont extraits. Plus un moteur de recommandation a accès à des données, plus il sera efficace pour faire des suggestions pertinentes.

Ces données se présentent généralement sous deux formes. L'une concerne les données implicites, qui font référence à des informations sur l'historique de recherche, les clics, les achats et autres activités d'un utilisateur ; il est collecté par une entreprise chaque fois qu'une personne utilise son site. L'autre concerne les données explicites, qui couvrent les entrées de l'utilisateur, telles que les notes, avis ou commentaires précédents. (Les moteurs de recommandation utilisent également des données concernant l'âge, le sexe et les intérêts généraux d'une personne pour identifier des clients similaires.)

La collecte de toutes ces données clients est essentielle à la construction d'un moteur de recommandation.

Une fois les données client collectées, elles doivent être stockées. Comment et où ils sont stockés dépendent du type de données collectées.

En plus des données sur les utilisateurs, les entreprises stockent également des données sur les articles qu'elles fournissent, qu'il s'agisse de chaussures ou d'émissions de télévision. Cela peut aller du prix au genre en passant par le type d'article, tout cela étant utilisé pour aider à déterminer les similitudes des produits et les préférences des utilisateurs.

Ensuite, un système d’apprentissage automatique est placé au-dessus de ces données, les approfondissant et les analysant.

Les moteurs de recommandation utilisent toutes sortes d’algorithmes pour analyser les données, mais le plus courant est la décomposition en valeurs singulières, ou SVD. Il s'agit d'une technique mathématique qui décompose une matrice en trois matrices plus petites dans le but de détecter des modèles et des relations dans les données, ainsi que de déterminer la force de ces modèles et relations. L’objectif est de mieux comprendre la structure sous-jacente d’un vaste ensemble de données afin que des informations significatives puissent en être extraites.