La diversité : entre besoin et méfiance dans les systèmes de recommandation

Sylvain Castagnos (1) , Armelle Brun (1) , Anne Boyer (1)

1 KIWI - Knowledge Information and Web Intelligence

De récentes études ont montré que la diversité dans les systèmes de recommandation est positivement corrélée à la satisfaction des utilisateurs et renforce/facilite leur choix d’un item. Si les effets de cette nouvelle dimension ont été mesurés, les raisons de cet impact restent cependant encore inexpliquées. Partant de ce constat, notre objectif est d’analyser plus finement l’utilité réelle et perçue de la diversité dans les systèmes de recommandation. Dans cette optique, nous avons réalisé une étude auprès de 250 utilisateurs permettant de comparer 5 approches (mêlant filtrage collaboratif, filtrage par contenu et popularité) avec différents degrés de diversité. La base d’apprentissage nécessaire à cette expérimentation comporte la description complète de plus de 500 films et les votes de 3000 utilisateurs. Les résultats montrent que la diversité dans les recommandations est perçue par les utilisateurs et améliore leur satisfaction, même si elle suscite parfois méfiance ou incompréhension. En outre, cette étude a mis en lumière la nécessité de constituer des modèles de préférences suffisamment divers pour générer de bonnes recommandations.

Mots clés: Diversité; Modélisation; Etude utilisateurs; Systèmes de recommandation

Domaines: Intelligence artificielle [cs.AI]; Interface homme-machine [cs.HC]

Sylvain Castagnos, Armelle Brun, Anne Boyer. La diversité : entre besoin et méfiance dans les systèmes de recommandation. Revue I3 - Information Interaction Intelligence, 2014. ⟨hal-01108998⟩