Cette thèse présente les résultats d'un projet de recherche multidisciplinaire (Agorantic) sur les systèmes de recommandation. Le but de ce travail était de proposer de nouvelles fonctionnalités qui peuvent rendre les systèmes de recommandations (RS) plus attrayants que ceux existants. Nous proposons également une nouvelle approche et une réflexion sur l'évaluation. Dans la conception du système, nous avons voulu répondre aux préoccupations suivantes: 1. Les gens s'habituent à recevoir des recommandations. Néanmoins, après quelques mauvaises recommandations, les utilisateurs ne seront plus convaincus par les RS. 2. En outre, si ces suggestions viennent sans explication, pourquoi les gens devraient les suivre ? 3. Le fait que la perception, les goûts et les humeurs des utilisateurs goûts varient au fil du temps est bien connue. Pourtant, la plupart des systèmes de recommandation ne parviennent pas à offrir le bon niveau de «réactivité» que les utilisateurs attendent, c'est à dire la capacité de détecter et d'intégrer des changements dans les besoins, les préférences, la popularité, etc. Recommander un film une semaine après sa sortie pourrait être trop tard. 4. L'utilisateur pourrait être intéressé par des articles moins populaires (dans la «longue traine»), c'est à dire des recommandations moins systématiques. Pour répondre à ces questions clés, nous avons conçu un nouveau système de recommandation sémantique et adaptatif (SRAS), comportant trois fonctionnalités innovantes, à savoir l'argumentation, l'adaptation dynamique et un algorithme d'appariement. • Adaptation dynamique: le système est mis à jour de façon continue, à chaque nouvelle note / évènement. (Chapitre 4) • Argumentation: chaque recommandation présente les raisons qui ont conduit à cette recommandation. Cela peut être considéré comme une première étape vers une argumentation plus sophistiqué. Notre volonté est de rendre les utilisateurs plus responsables de leur choix, en leur donnant le maximum d'informations. (Chapitre 5) • Algorithme d'appariement: permet aux articles les moins populaires d'être recommandés aux utilisateurs. (Chapitre 6) Nous avons conçu un nouveau système de recommandation capable de générer des recommandations textuellement bien argumentées dans lequel l'utilisateur final aura plusieurs éléments pour faire un choix éclairé. En outre, les paramètres du système sont dynamiquement et continuellement mis à jour, afin de fournir des recommandations et des arguments en la phase avec le passé très récent. Nous avons inclus un niveau sémantique, c'est à dire les mots, termes et expressions comme ils sont naturellement exprimés dans les commentaires utilisateurs. Nous n'utilisons pas d'étiquettes ou lexique pré-déterminé. Les performances de notre système sont comparables à l'état de l'art. En outre, le fait qu'il génère un argumentaire le rend encore plus attrayant et pourrait renforcer la fidélité des utilisateurs / This thesis presents the results of a multidisciplinary research project (Agorantic) on Recommender Systems. The goal of this work was to propose new features that may render recommender systems (RS) more attractive than the existing ones. We also propose a new approach to and a reflection about evaluation. In designing the system, we wanted to address the following concerns: 1. People are getting used to receive recommendations. Nevertheless, after a few bad recommendations, users will not be convinced anymore by the RS. 2. Moreover, if these suggestions come without explanations, why people should trust it? 3. The fact that item perception and user tastes and moods vary over time is well known. Still, most recommender systems fail to offer the right level of “reactivity” that users are expecting, i.e. the ability to detect and to integrate changes in needs, preferences, popularity, etc. Suggesting a movie a week after its release might be too late. In the same vein, it could take only a few ratings to make an item go from not advisable to advisable, or the other way around. 4. Users might be interested in less popular items (in the ” long tail”) and want less systematic recommendations. To answer these key issues, we have designed a new semantic and adaptive recommender system (SARS) including three innovative features, namely Argumentation, Dynamic Adaptation and a Matching Algorithm. • Dynamic Adaptation: the system is updated in a continuous way, as each new review/rating is posted. (Chapter 4) • Argumentation: each recommendation relies on and comes along with some keywords, providing the reasons that led to that recommendation. This can be seen as a first step towards a more sophisticated argumentation. We believe that, by making users more responsible for their choices, it will prevent them from losing confidence in the system. (Chapter 5) • Matching Algorithm: allows less popular items to be recommended by applying a match- ing game to users and items preferences. (Chapter 6) The system should be sensed as less intrusive thanks to relevant arguments (well-chosen words) and less responsible to unsatisfaction of the customers. We have designed a new recommender system intending to provide textually well-argued recommendations in which the end user will have more elements to make a well-informed choice. Moreover, the system parameters are dynamically and continuously updated, in order to pro- vide recommendations and arguments in phase with the very recent past. We have included a semantic level, i.e words, terms and phrases as they are naturally expressed in reviews about items. We do not use tags or pre-determined lexicon. The performances of our system are comparable to the state of the art. In addition, the fact that it provides argumentations makes it even more attractive and could enhance customers loyalty

Internet constitue un environnement évolutif déstructuré et quasi-infini proposant des documents hétérogènes notamment à travers le Web et les intranets d'entreprises. La recherche et l'accès à cette profusion de documents nécessite d'assister l'utilisateur. Cependant, les outils actuels d'accès à l'information atteignent leur limite et ne garantissent plus d'identifier les ressources les plus pertinentes (également appelées "items") dans un temps raisonnable. La problématique consiste à "apprendre l'utilisateur courant". La connaissance de ce dernier permet au système de fournir des items susceptibles de les intéresser ou de répondre à un critère d'utilité. Il s'agit alors de collecter des données brutes pour caractériser une information de haut niveau, à savoir la connaissance de l'utilisateur. L'emploi de l'Intelligence Artificielle permet d'identifier les données nécessaires et suffisantes à l'apprentissage supervisé en situation de l'utilisateur courant.<br /><br />Toutefois, les modèles utilisateurs souffrent d'un grand nombre de données manquantes. Notre approche consiste à exploiter collaborativement les données relatives à une population pour pallier le manque d'information inhérent à chaque utilisateur. L'emploi de techniques de filtrage collaboratif permet ainsi de bénéficier de l'expérience et des interactions au sein d'une population pour améliorer les services et prédire les futurs agissements d'un individu. Nous sommes partis du constat que, dans les approches centralisées, le nombre d'individus pris en compte dans la recherche des plus proches voisins ne peut excéder quelques milliers de candidats. Nos travaux nous ont donc conduit à distribuer le processus de filtrage sous plusieurs formes tant en terme de contenu que de calculs. L'objectif de cette thèse est de montrer comment il est possible d'assurer le passage à l'échelle, et faire face aux problèmes sous-jacents pouvant résulter de cette approche distribuée.