Dans quelle mesure l'adaptation du paramètre de pondération β au niveau utilisateur permet-elle d'améliorer le compromis entre précision et durabilité dans les stratégies de post-processing des systèmes de recommandation ?

Details

Supervisors

Satinet, Chloé

Faculty

Louvain School of Management

Degree label

Master [120] : ingénieur de gestion, à finalité spécialisée

Abstract

frFace aux limites d'une optimisation purement centrée sur la pertinence, l'intégration de la durabilité dans les systèmes de recommandation constitue un enjeu croissant pour orienter les comportements de consommation. Cependant, les approches existantes de post-processing reposent généralement sur un paramètre de pondération global (β), supposant implicitement une sensibilité homogène des utilisateurs aux enjeux environnementaux. Ce mémoire étudie dans quelle mesure l'adaptation d'un paramètre personnalisé au niveau de l'utilisateur (βu) permet d'améliorer le compromis entre la précision des recommandations et l'intégration de la durabilité. À cette fin, trois stratégies d'estimation du paramètre βu sont proposées et évaluées : une approche comportementale basée sur l'historique d'interactions, une approche sémantique exploitant les titres des produits via un modèle de traitement du langage naturel, et une approche hybride combinant ces deux signaux via un mécanisme de shrinkage. Ces stratégies sont intégrées par le biais de deux méthodes de post-processing (ajustement linéaire et formation incrémentale avec calibration) appliquées à quatre modèles de base (User-kNN, Item-kNN, SVD, Content-Based). Le cadre expérimental s'appuie sur deux jeux de données e-commerce d'Amazon présentant des caractéristiques de sparsité contrastées. Les expérimentations démontrent que la méthode incrémentale préserve mieux la précision globale que l'ajustement linéaire classique. L'efficacité des approches adaptatives dépend fortement de la disponibilité des données : l'approche comportementale différencie efficacement les profils utilisateurs lorsque le catalogue est riche en items durables, tandis que les approches sémantique et hybride permettent de pallier la rareté des données d'interaction en détectant des affinités implicites pour les produits durables. Bien que ces méthodes adaptatives ne surpassent pas systématiquement le β global, elles génèrent des compromis robustes et équilibrés entre précision et durabilité, sans nécessiter de réglage manuel préalable du paramètre. En conclusion, l'adaptation du paramètre de post-processing au niveau utilisateur constitue une approche viable pour concilier recommandations durables et hétérogénéité des préférences. Les pistes futures incluent l'enrichissement du signal sémantique par des métadonnées explicites (matières, labels) et la validation de ces approches par des évaluations en ligne impliquant de véritables utilisateurs.