Dans le domaine du Travail Coopératif Assisté par Ordinateur (TCAO) la recherche sinterroge toujours sur les fondements à adopter lors du développement dapplications collaboratives, aussi dites collecticiels, capables de supporter et de répondre au mieux aux besoins des utilisateurs. Outre la multidisciplinarité associée à ce domaine, le fait que les activités collaboratives impliquent plusieurs personnes exprimant des besoins différents et souvent imprévisibles de travail en groupe imposent des fortes exigences en terme dévolutivité et flexibilité pour les applications collaboratives. Manque dun environnement collaboratif intégré assez ouvert, extensible et reconfigurable pour répondre à ces exigences, différentes applications collaboratives doivent être parallèlement employées pour réaliser de manière effective un travail en groupe. Bien quelles soient utilisées pour accomplir une tâche collaborative commune, ces applications sont exécutées de manière indépendante, sans profiter réellement les unes des autres. Lintégration de telles applications permettrait de les faire interagir de manière dynamique tout en combinant de manière contrôlée leurs fonctionnalités. Cette thèse a donc pour objectif de concevoir un nouvel environnement pour rendre possible lintégration de collecticiels existants tout en évitant de considérer des détails internes à ces systèmes. Cet environnement, que nous avons appelé LEICA (Loosely-coupled Environment for Integrating Collaborative Applications) définit une approche générale dintégration faiblement couplée qui sappuie sur la technologie des services Web, sur un système de notification dévénements, et sur des politiques de collaboration pour contrôler les interactions entre applications intégrées. Nous réalisons tout dabord une description informelle de lapproche générale dintégration, où les applications intégrées sont initialement contactées à travers leurs interfaces de services Web et interagissent par la suite en échan geant des notifications dévénements. Leurs interactions sont contrôlées par la politique de collaboration spécifiée pour une session de travail définissant comment lactivité collaborative supportée par une application est affectée par linformation reçue dune ou plusieurs autres applications. Nous spécifions de façon détaillée larchitecture de LEICA permettant de mettre en Suvre une telle approche dintégration. Nous proposons ensuite une méthode pour formaliser et valider cette architecture au moyen du profil UML/SDL et du module de simulation supportés par loutil TAU G2 de Telelogic. Un premier prototype de LEICA a été également implémenté et deux applications collaboratives se trouvent actuellement intégrée à lenvironnement. null null

Dans notre société de plus en plus numérique, les systèmes de recommandation ont fait leur apparition dans le but de résoudre le problème bien connu de surcharge d'information. L'adoption des réseaux sociaux a permis l'émergence de systèmes intégrant les relations sociales dans leurs recommandations. Dans cette thèse, nous proposons un système de recommandation adapté aux architectures décentralisées pouvant être déployé sur des réseaux sociaux existants. L'utilisateur conserve son profil en local et ne communique qu'avec un ensemble restreint d'utilisateurs de confiance, avec qui il accepte de partager ses données. Nous prenons en compte le réseau social de l'utilisateur afin de construire le réseau de pairs. La similarité des amis est prise en compte pour pondérer les liens. Les recommandations sont propagées dans le réseau, passant d'amis en amis jusqu'à atteindre l'utilisateur désiré. Ainsi seuls les amis directs communiquent entre eux. À partir de cette propagation, nous proposons plusieurs techniques. Tout d'abord, nous délivrons à l'utilisateur final une confiance du système dans la fiabilité de la recommandation. Ceci lui permet de choisir parmi les produits sélectionnés, lesquels semblent effectivement les plus pertinents pour lui. Cette confiance est calculée sur plusieurs critères, tels que la variation des recommandations des amis, leur nombre, la similarité et la fraîcheur de la recommandation. Ensuite, nous définissons des heuristiques adaptant notre approche aux systèmes pair-à-pair. Dans de telles architectures, le réseau est une ressource critique et ne doit pas être constamment surchargé. Ces heuristiques limitent la consommation réseau de notre approche tout en fournissant des recommandations pertinentes à l'utilisateur. Enfin, nous proposons plusieurs stratégies de score par défaut, dans le cas où aucun score n'est calculable, prenant en compte les contraintes en terme d'accès à l'information par le système. Nous comparons notre approche avec des approches classiques de recommandation, de filtrage collaboratif ou basées sur la confiance, en utilisant plusieurs jeux de données existants, tels qu'Epinions et Flixster, ainsi que deux jeux de données que nous avons construits nous-même. Nous montrons qu'une approche purement locale, associée à des stratégies de score par défaut, offre de meilleurs résultats que la plupart des autres approches, notamment en ce qui concerne les "cold start users". / Recommender systems are widely used to achieve a constantly growing variety of services. Alongside with social networks, recommender systems that take into account friendship or trust between users have emerged. In this thesis, we propose an evolution of trust-based recommender systems adapted to decentralized architectures that can be deployed on top of existing social networks. Users profiles are stored locally and are exchanged with a limited, user-defined, list of trusted users. Our approach takes into account friends' similarity and propagates recommendation to direct friends in the social network in order to prevent ratings from being globally known. Moreover, the computational complexity is reduced since calculations are performed on a limited dataset, restricted to the user's neighborhood. On top of this propagation, our approach investigates several aspects. Our system computes and returns to the final user a confidence on the recommendation. It allows the user to tune his/her choice from the recommended products. Confidence takes into account friends' recommendations variance, their number, similarity and freshness of the recommendations. We also propose several heuristics that take into account peer-to-peer constraints, especially regarding network flooding. We show that those heuristics decrease network resources consumption without sacrificing accuracy and coverage. We propose default scoring strategies that are compatible with our constraints. We have implemented and compared our approach with existing ones, using multiple datasets, such as Epinions and Flixster. We show that local information with default scoring strategies are sufficient to cover more users than classical collaborative filtering and trust-based recommender systems. Regarding accuracy, our approach performs better than others, especially for cold start users, even if using less information.