Ajustement bayésien des mesures de similarité entre utilisateurs pour améliorer les recommandations basées sur un filtrage collaboratif
Un système de recommandation vise à proposer à chaque utilisateur les items les plus pertinents en termes de goûts prédits. De ce fait, le système peut l'aider à naviguer
de manière efficace dans un grand catalogue de produits. Pour prédire l'intérêt d'un utilisateur particulier pour un item, le filtrage collaboratif, une méthode désormais largement employée, s'appuie sur l'utilisation des notes données à cet item par des utilisateurs similaires. Par conséquent, la fac¸on d'identifier le voisinage d'un utilisateur influence fortement la qualité des recommandations. La similarité entre deux utilisateurs est souvent basée sur la cohérence des notes des items qu'ils ont co-notés, indépendamment du nombre de ces items. Nous introduisons ici une pondération qui est fonction de ce nombre d'items co-notés et améliore les mesures de similarité existantes sans en augmenter la complexité. La méthode est validée sur un jeu de données de référence du domaine.
