Comprendre les appétences culturelles des gens pour leur proposer des contenus personnalisés, c’est une mission qui nous occupe tous les jours chez DELIGHT. Et comme on aime bien partager nos découvertes et nos réflexions, on vous a concocté une série d’articles dédiés à comprendre facilement tous les secrets des modèles de recommandation.

Un modèle, ou des modèles ?

Spotify a dernièrement impressionné ses utilisateurs avec le lancement de Discover Weekly, dont le système de recommandation complexe produit des recommandations étonnantes de justesse :

Capture d'écran 2018-04-16 16.27.54

Si Spotify semble vous connaître si bien, c’est parce que l’entreprise de streaming croise plusieurs méthodes de recommandation. On vous expliquera tout ça en détail prochainement (#teasing).

Que ce soit Spotify, Netflix ou Amazon, les experts de la recommandation ne se contentent jamais d’une technique. Chacun sa méthode, donc, mais tous partent du même endroit : l’analyse d’interactions.

Des interactions productrices de données

Il faut comprendre avant toute chose que tout modèle de recommandation se base sur une série d’interactions positives ou négatives d’utilisateurs sur des interfaces.

Dans le secteur culturel, on parlera de données de navigation, temps de lecture d’une chanson ou d’un contenu audiovisuel, du type de contenu consommé, d’heures de consommation de ce contenu, des abandons etc. Chaque geste est enregistré et réutilisé afin de nourrir les algorithmes, parfois avec une minutie déconcertante.

Sur la base de ces données collectées, Spotify a recours à deux types de systèmes de recommandation. Le “collaborative filtering” d’une part, et le “content-based filtering” d’autre part. Ces deux systèmes utilisent de l’apprentissage automatique (ou machine learning) afin que les goûts des utilisateurs correspondent au mieux avec les contenus proposés.

Le collaborative filtering 

La méthode du collaborative filtering consiste à créer une corrélation entre les contenus par le fait que des gens aient vu/écouté/lu/acheté l’un et l’autre. Par exemple, si un utilisateur a regardé Quand Harry rencontre Sally et Pretty Woman, on recommandera à un autre utilisateur de regarder l’un s’il a aimé l’autre.

C’est une méthode fréquemment utilisée et particulièrement utile pour adresser des recommandations complémentaires. C’est grâce à cette méthode par exemple qu’Amazon est devenu maître dans l’art du cross-selling, autrement dit proposer des produits complémentaires. Une housse d’ordinateur à l’achat d’un mac par exemple.

Source : Live Chat In Source : Live Chat In

Le content-based filtering 

Le content-based filtering, consiste à utiliser des informations sur le contenu lui-même. Pour Netflix par exemple, des tags sont ajoutés sur les contenus afin de les caractériser selon le genre, les acteurs, les réalisateurs etc. : “série angoissante”, “teen movie”, “Uma Thurman” etc. Si on voit qu’un utilisateur a aimé tel genre, tel acteur, on va lui recommander un contenu qui s’en rapproche.

C’est une méthode très efficace lorsqu’il y a peu de données disponibles. Il suffira d’une seule interaction pour adresser des recommandations de qualité. Une seule écoute d’une chanson de jazz sur Spotify donnera lieu à une série de recommandations autour du jazz par exemple.

Crédit : Les Inrocks

Ces modèles sont actuellement les plus utilisés par les entreprises spécialisées dans la recommandation. On peut néanmoins facilement imaginer l’émergence d’autres systèmes innovants dans un futur proche, la recommandation est un secteur en mouvement permanent !

Stay tuned, on vous parle du Discover Weekly de Spotify dès le mois prochain pour la partie 2 de la série « Parlons recommandation ».

Cet article a été écrit par