Un système de recommandation basé sur un algorithme de recommandation est une forme spécifique de filtrage et de hiérarchisation algorithmiques de contenus visant à présenter des éléments numériques (films, musique, livres, news, images, pages Web, etc) plus susceptibles d'intéresser ou d'«engager» l'utilisateur. Généralement, l'algorithme de recommandation permet de comparer le profil d'un «client» ou d'une «cible» à certaines caractéristiques de référence, et cherche à prédire l'«avis» que donnerait un conseiller. Ces caractéristiques peuvent provenir:
de l'objet lui-même, on parle «d'approche basée sur le contenu» ou content-based approach;
du «client»;
de l'environnement social, on parle d'approche de filtrage collaboratif ou collaborative filtering.
Exemple de recommandation.
Les systèmes de recommandation sont une forme automatisée de filtrage-hiérarchisation d'informations ou de contenus. Intégrés dans un nombre croissant de «services numériques» de l'Internet, ils peuvent faire gagner du temps aux internautes. Mais, détournés à partir des années 2010, dans le cadre de l'économie de l'attention par les GAFAMs et les réseaux sociaux, un nombre croissant d'algorithmes de recommandation visent uniquement à maximiser l'engagement mental focalisé et constant des utilisateurs. Ils peuvent alors gravement nuire à la santé mentale: en amplifiant l’exposition continue des internautes à des contenus émotionnellement chargés ou anxiogènes et/ou de piètre intérêt; ils entretiennent une surcharge informationnelle, le stress et des comportements numériques compulsifs (doomscrolling notamment).
Principes
Lors de la construction du profil de l'utilisateur, une distinction est faite entre les formes explicites et implicites de collecte de données:
Exemples de collecte explicite de données:
demander à l'utilisateur de classer une collection d'objets en fonction de sa préférence;
présenter deux objets à un utilisateur et lui demander de choisir le meilleur;
demander à un utilisateur de créer une liste d'articles qui l'intéressent.
Exemples de collecte implicite de données:
l'observation des objets que l'utilisateur a vus sur la boutique en ligne,
analyse de la fréquence de consultation d'un article par un utilisateur;
garder une trace des éléments que l'utilisateur achète en ligne;
obtenir une liste d'éléments que l'utilisateur a écoutés ou regardés;
analyse du réseau social de l'utilisateur et la découverte de ses goûts et aversions.
Le système compare ensuite les données recueillies sur l'utilisateur à celles déjà existantes (d'autres utilisateurs) et calcule une liste de questions pour l'utilisateur. Plusieurs commerciaux et non commerciaux, des exemples sont énumérés à l'article sur les systèmes de filtrage collaboratif. G. Adomavicius donne un aperçu des systèmes de recommandation, Herlocker donne un aperçu des techniques d'évaluation pour les systèmes de recommandation.
Les systèmes de recommandation sont parfois présentés comme une bonne alternative au système de recherche simple, car ils aident l'utilisateur à découvrir des articles auxquels il n'aurait pas lui-même songé. Fait intéressant, les systèmes de recommandation sont souvent mis en œuvre en utilisant les moteurs de recherche d'indexation de données non traditionnelles.
Le système, algorithmique ou non, utilise généralement quatre types de recommandation:
«Recommandation personnalisée» (analyse du comportement de navigation de l'internaute prenant en compte les mots-clés tapés, l'historique des recherches, le parcours de navigation au sein du site, etc.), la plus simple, la moins performante et désormais la moins utilisée des recommandations. En octobre 2026, Facebook permet de dicter à son algorithme ce que l'utilisateur veut voir sur le fil et dans ses Reels remontés par l'algorithme, via une fonction «Your Algorithm» déjà présent sur Instagram. Les recommandations ajustent alors, en temps réel. L'outil est accessible depuis le menu «trois points» de chaque publication, et l'IA peut poser des questions pour affiner les choix ;
«recommandation objet» (analyse des préférences du consommateur vis-à-vis des qualités ou propriétés de l'objet ou du contenu, ces préférences pouvant être déterminées par le comportement d'achat passé du client);
«recommandation dite "sociale" ou "collaborative"», théoriquement fondée sur la base du comportement passé d'utilisateurs similaires (technique de filtrage collaboratif par proximité d'intérêt ou par similarité des contenus). Mais les avis et notes (déposés par d'autres consommateurs) se s'avèrent pas si décisifs «contre toute attente, les notes attribuées par les autres consommateurs n’ont pas d’effet sur l’achat impulsif. Cette découverte peut s’expliquer par une forme de lassitude et de méfiance généralisée envers ces systèmes de notation. Les consommateurs sont de plus en plus conscients que ces avis peuvent être biaisés ou manipulés. Cette méfiance est justifiée: une enquête de la Commission européenne a révélé qu’au début des années 2020, au moins 55% des sites de e-commerce examinés enfreignaient les règles sur la transparence des avis. Le consommateur veut bien être conseillé, mais il ne veut pas être trompé et manipulé, notamment par les systèmes de recommandation utilisant l’intelligence artificielle»;
«recommandation hybride qui combine les trois recommandations précédentes.
Marc Ménard ou Jean-Sébastien Vayre décrivent différents types de générations concernant les systèmes de recommandation. Les différentes générations des systèmes de recommandation reposent sur un cadre précis avec 3 types de tâches automatiques effectués par ces dispositifs:
Exemple de filtrage collaboratif basé sur un système de rating
Première génération
Elle reposait sur l’algorithme “item-to-item”: les produits sont mis en relation au travers de leurs propriétés. Ce type de système de recommandation a émergé avec le web 1.0 et cantonnait les utilisateurs dans un strict rôle documentaire.
Seconde génération
Elle repose sur le filtrage collaboratif qui propose des produits d’autres consommateurs déclarés, à leur insu, comme correspondant à leurs préférences. La logique de recommandation est la suivante: “user-to-user” et met en relation des usagers selon leurs profils et leurs préférences. Les données recueillies sont utilisées pour reconstituer la navigation du consommateur et vont alors permettre d’établir son profil. Il est également important de penser à toutes les informations déclaratives que les usagers remplissent: c’est-à-dire les fiches / formulaires remplis sur les sites internet. Ce type de système de recommandation a émergé avec le web 2.0 qui a apporté une nouvelle culture sociale: le profil d’un consommateur est reconstitué au travers de profils similaires.
Troisième génération
Elle repose sur un filtrage hybride croisant les deux générations précédentes (contenu + collaboratif).
Ce nouveau système de recommandation s’ancre dans un cyberespace où les traces numériques de l’usager sont toujours plus présentes et plus nombreuses. Les innovations des NTIC ont permis de nouveaux usages des agents de recommandation, avec l’augmentation du stockage (Big data) et de son exploitation par de nouveaux dispositifs économiques et de traitements des données. Les agents de troisième génération modélisent les préférences des consommateurs, le plus souvent à leur insu. A priori, ils ne reposent sur aucune définition formelle des préférences, mais passent par des mécanismes d’apprentissage automatique, ou divers moyens d’enquêter sur les consommateurs pour définir leurs préférences. L'Intelligence artificielle permet une individualisation croissante de la recommandation (ciblage du consommateur). Selon Jean-Sébastien Vayre, le but premier de ces dispositifs n’est pas de comprendre les actions comportementales des utilisateurs mais d’automatiser au maximum leurs requêtes et résultats en prédisant leurs besoins, avec une volonté marchande à la clé (incitation à la consommation).
Efficacité
Cette section est vide, insuffisamment détaillée ou incomplète. Votre aide est la bienvenue! Comment faire?
En 2014, «les moteurs de recommandation s'appuient sur l'hybridation des recommandations pour plus d'un tiers des sites de ventes en ligne». Même si ce système ne génère qu'une légère augmentation du taux de conversion (de 2 à 2,22%), il peut représenter sur les gros sites de vente en ligne une part importante du chiffre d'affaires. Amazon aurait ainsi multiplié par 2 ce taux, réalisant 30% de son C.A. par son outil de recommandation hybride.
En 2024, en Roumanie, un candidat bénéficie d'une faible notoriété, mais à l'aide d'un campagne ciblée par des influenceurs, pour quelques centaines d'euros, il bénéficie de messages anodins dont les hashtags mentionnent les hashtags de sa campagne. Ceci a conduit les algorithmes de recommandation de contenu de TikTok à diffuser les vidéos du candidat dans le flux de millions d'électeurs.
Ceci a conduit des ONG à s'interroger sur ces publicités politiques.
Limites constatées des systèmes de recommandation
Bien qu’ils soient pensés comme une aide au choix pour les usagers, les systèmes de recommandation ne sont pas qu’au bénéfice des consommateurs. D’une manière générale et pour les biens culturels en particulier, leurs limites sont:
un enfermement homophile (Eli Pariser développe ainsi le concept de “Bulle de filtres”). Avec l’arrivée de l’internet, la diversité globale a augmenté mais à cause d’une surspécialisation des offres, l’usager se trouve confronté à une disparité diminuée des biens.
un moyen de capter l’attention (concept d’Herbert Simon de l’économie de l’attention) et d’orienter les achats des usagers, de manière inconsciente puisque l’usager n’a aucune conscience du fonctionnement de l'algorithme.
la pertinence de leurs propositions, étant donné que les algorithmes ne représentent les biens que par une liste d’attributs, sans prise en compte de leur dimension symbolique ni de l’expérience de l’usager et du contexte dans lequel il se trouve (l’usager n’est pas figé dans le temps: ses goûts et son environnement changent au cours du temps).
une utilisation non affichée et non explicitée par les systèmes de recommandations des navigations et des traces laissées à leur insu par les internautes, ce qui pose la question de la transparence et de l’éthique.
Cependant, en tant qu’internaute consommateur, il serait possible de tirer bénéfice des systèmes de recommandation avec la mise en place d’une politique de formation comme le propose Emmanuel Durand, directeur de Snapchat France. Cette formation pour tous permettrait d’éclairer les problématiques des big data afin d’agir en connaissance de cause pour préserver la diversité culturelle: compréhension du fonctionnement de l’algorithme de recommandation avec l’ouverture de son code, transparence de l’utilisation des données des internautes (consentement averti à la surveillance des traces de navigation, monétisation des données).
Biais algorithmiques
Les algorithmes de recommandation peuvent conduire à des résultats biaisés vers certains contenus.
Par exemple, les travaux de rétro-ingénierie sur l'algorithme de recommandation de YouTube menés par Guillaume Chaslot et l'association Algotransparency montrent que l'algorithme tend à favoriser les contenus à caractère complotistes.
Domaines d'usage des systèmes de recommandation
Les systèmes de recommandations sont utilisés dans différents domaines: dans les bibliothèques, pour les plateformes de biens culturels, sur les sites commerciaux, pour la visite de musées, dans le tourisme.
Le musée
Pour la visite des musées, les systèmes de recommandation sont utilisés afin d’améliorer la visite des usagers. Plusieurs modèles ont été mis en place. Idir Benouaret présente trois types de systèmes de recommandations pour la visite d’un musée:
Système orienté “tâches”, où l’utilisateur est amené à utiliser des outils numériques, utilisant un système de géolocalisation dans le monument, pour répondre à des questions en lien avec l’œuvre devant laquelle il se trouve. Ce système est principalement employé lors de visites de groupes, et plus particulièrement pour des groupes scolaires. Cependant il n’a pas vocation à recommander les œuvres susceptibles d'intéresser l’usager. Ce dernier passe plus de temps sur l’outil numérique durant la visite et on constate une perte d’attention de l’usager face aux œuvres présentes dans le musée.
Système orienté navigation: tout comme le système orienté “tâches”, l’usager est localisé dans le musée via un outil numérique. Ce dernier fournit à l’usager des informations complémentaires sur l’œuvre devant laquelle il s’est arrêté, sous forme de texte ou de commentaires audio-visuels. Ce système est un apport informationnel pour l’usager mais ce dernier ne reçoit pas de recommandations quant aux œuvres qui pourraient l’intéresser et il perd son temps devant des œuvres auxquelles il ne porte pas forcément d’intérêt ou ne découvre pas de nouvelles œuvres susceptibles d’éveiller sa curiosité.
Système de recommandation pour la visite de musée: les conservateurs de musée effectuent déjà ce type de système avec les visites guidées mais ces dernières sont orientées de telle manière qu’elles ne présentent que les œuvres les plus connues du musée et par conséquent l’usager peut perdre du temps à voir des œuvres qui ne sont pas forcément dans son intérêt ou sans en découvrir de nouvelles. De nouveaux systèmes ont été mis en place en réponses aux problèmes posés mais ils confinent l’usager dans des recommandations basées sur ses préférences, parfois pré-remplies sur un site internet, sans lui proposer de parcours de visite du musée avec les œuvres qui l’intéressent et de nouvelles qui pourraient l’intéresser.
↑(en) R. Burke, «Hybrid recommender systems: Survey and experiments», User Modeling and User-Adapted Interaction, vol.12, no4, , p.331–370.
↑Marc Ménard, «Systèmes de recommandation de biens culturels: Vers une production de conformité?», Les Cahiers du numérique, vol.10, , p.69-94 (lire en ligne).
12Gérald Kembellec, Ghislaine Chartron et Imad Saleh, Les moteurs et systèmes de recommandation, ISTE Editions, , p.74.
↑SudOuest.fr, «Présidentielle en Roumanie : des ONG demandent une enquête sur l’influence de TikTok dans la campagne», Sud Ouest, (lire en ligne, consulté le ).
↑Marc Ménard, «Systèmes de recommandations de biens culturels: vers une production de conformité?», Les cahiers du numérique, (ISSN2111-434X, lire en ligne)
↑(en) Paul Lewis et Erin McCormick, «How an ex-YouTube insider investigated its secret algorithm», The Guardian, (lire en ligne).
↑Idir Benouaret, «Un système de recommandation contextuel et composite pour la visite personnalisée de sites culturels», Thèse présentée pour l’obtention du grade
de Docteur de l’UTC, (lire en ligne, consulté le ).
Voir aussi
Bibliographie
Gérald Kembellec, Ghislaine Chartron et Imad Saleh, Les moteurs et systèmes de recommandation, ISTE Editions, , 228p. (lire en ligne)
