Vers un système de recommandation basé sur une agrégation des préférences floues

Dans ce travail, nous proposons une nouvelle approche pour traiter les relations de préférences de l'utilisateur, au lieu des notations absolues, dans les systèmes de recommandation. Les préférences sont des scores exprimées qualitativement à travers des termes linguistiques. C'est une technique qui semble appropri ée lorsque celles-ci sont imprécises et vagues. Par ailleurs, et du fait que l'évaluation monocritère peut cacher l'hétérogénéité des préférences, réduisant ainsi la qualité de la prédiction des items à recommander, nous avons opté pour l'évaluationmulticritère qui est une technique prometteuse pour améliorer la précision de la recommandation des systèmes actuels. Les scores des items sont représentés à travers un graphe de préférence qui reflète mieux les relations entre items. La similarité entre utilisateurs est estimée en se basant sur la similarité de leurs relations de préférences (au lieu des scores absolus) qui reflètent mieux la similarité de leurs modèles d'évaluations. L'approche améliore d'une certaine façon la précision des systèmes de recommandation classiques puisque les graphes utilisés pour réaliser la prédiction, sont assez informatifs et capturent fidèlement les relations entre les scores initiaux de l'utilisateur. In this work, we propose a novel approach to deal with user preference relations instead of absolute ratings, in recommender systems. User's preferences are ratings expressed qualitatively by using linguistic terms. This is a suitable technique when preferences are imprecise and vague. And because the overall item rating may hide the users' preferences heterogeneity and mislead the system when predicting the products that users are interested in, we choose to incorporate multi-criteria ratings, which is a promising technique to improve the current recommender systems accuracy. User's items ratings are represented through a preference graph which highlight better items relationships. Similarity between users is computed in terms of the similarity of their preference relations (instead of their absolute ratings) which can better reflect similar users' ratings patterns. The approach enhances somehow the classical recommender system precision because the graphs used for prediction are informative and reflect user's initial ratings relations.