Ce mémoire explore l'élaboration d'un système d'aide à la création de publications de nouvelles, conçu pour maximiser leur impact sur les médias sociaux. L'objectif est de permettre aux utilisateurs du système d'évaluer l'impact potentiel de divers attributs d'une publication, tels que le titre. Dans ce contexte, « impact » désigne la capacité d'une publication à attirer l'attention et à engager les utilisateurs, une notion complexe définie avec précision dans cette recherche. Pour atteindre cet objectif, il est nécessaire de développer un modèle capable d'apprendre une représentation appropriée des caractéristiques des publications, tout en évitant l'optimisation excessive soulignée par la loi de Goodhart. Ainsi, le modèle doit identifier les éléments les plus susceptibles de générer un fort impact, tout en évitant les conséquences négatives d'une optimisation centrée exclusivement sur des indicateurs de performance. De plus, avec le déploiement du modèle dans un environnement en ligne, il devient crucial de considérer l'influence de l'apprentissage interactif, notamment via les rétroactions des utilisateurs, sur l'impact des recommandations générées. Cette interaction constante offre une opportunité d'ajuster et d'affiner continuellement le modèle, assurant ainsi la pertinence des recommandations en fonction des préférences des utilisateurs. En outre, l'utilisation de stratégies de bandits est proposée, maximisant ainsi l'efficacité du système de recommandation. Ce mémoire commence par poser le problème de recommandation de publications sur les médias sociaux et décrire les données utilisées pour cette tâche, provenant de la page Facebook du journal *Le Soleil*. Ensuite, une représentation neuronale est définie pour permettre l'apprentissage de la relation entre les attributs d'une publication, tels que le titre et l'image associée, et la mesure d'impact sélectionnée. Cette représentation permet de prédire quelles publications sont susceptibles d'être plus populaires en fonction des préférences des utilisateurs. Le problème d'apprentissage de cette relation est ensuite abordé à l'intérieur d'une simulation d'un environnement interactif. Ce problème est formulé sous la forme d'un bandit structuré, où un compromis entre l'exploration et l'exploitation doit être effectué. À cette fin, diverses méthodes de bandits sont étudiées pour déterminer l'impact de ce compromis sur la recommandation de publications en utilisant les données disponibles. Les résultats obtenus sur l'ensemble de données montrent que les modèles développés sont capables de prédire l'impact des publications de manière efficace. Toutefois, l'analyse révèle que l'exploration explicite dans la simulation de l'environnement en ligne n'est pas indispensable, principalement en raison d'une représentation contextuelle partielle et incomplète. Par conséquent, des algorithmes simples ont offert des performances comparables à celles des algorithmes plus sophistiqués avec exploration explicite. Cette efficacité découle de la capacité du modèle à apprendre les relations entre les attributs des publications et leur impact, même avec une représentation contextuelle limitée. Néanmoins, certains résultats suggèrent qu'une étude plus approfondie sur les stratégies d'exploration et l'intégration de représentations contextuelles plus détaillées pourrait encore améliorer la qualité des recommandations. / This thesis explores the development of a recommendation system to assist in the creation of news publications, designed to maximize their impact on social media. The aim is to enable users of the system to assess the potential impact of various attributes of a publication, such as the headline. In this context, "impact" refers to a publication's ability to attract attention and engage users, a complex notion precisely defined in this research. To achieve this goal, it is necessary to develop a model capable of learning an appropriate representation of a publication's features, while avoiding the over-optimization highlighted by Goodhart's law. Thus, the model must identify the elements most likely to generate a high impact, while avoiding the negative consequences of optimization focused exclusively on performance indicators. Furthermore, as the model is deployed in an online environment, it becomes crucial to consider the influence of interactive learning, notably via user feedback, on the impact of the recommendations generated. This constant interaction offers an opportunity to continually adjust and refine the model, ensuring the relevance of recommendations to user preferences. In addition, the use of multi-armed bandit strategies is proposed, maximizing the effectiveness of the recommendation system. This thesis begins by defining the problem of recommending publications on social networks and describing the data used for this task, taken from the Facebook page of the newspaper *Le Soleil*. Next, a neural representation is defined to enable learning of the relationship between a publication's features, such as the title or the related image, and the selected impact measure. This representation is used to predict which publications are likely to be more popular based on user preferences. The problem of learning this relationship is then tackled within a simulation of an interactive environment. This problem is formulated as a structured bandit, where a trade-off between exploration and exploitation must be made. To this end, various bandit methods are investigated to determine the impact of this trade-off on publication recommendation using the available data. The results obtained on the dataset show that the models developed are capable of predicting the impact of the publications effectively. However, the analysis reveals that using explicit exploration in the simulation of the online environment is not essential, mainly due to a partial and incomplete contextual representation. Consequently, simple algorithms offered comparable performance to more sophisticated algorithms with explicit exploration. This efficiency stems from the model's ability to learn the relationships between publication features and their impact, even with a limited contextual representation. Nevertheless, some results suggest that further study of exploration strategies and the integration of more detailed contextual representations could further improve the quality of recommendations.