Filtrage collaboratif basé items.

Abstract

La masse gigantesque de l'information sur la toile ne cesse d'augmenter, elle est mesurée en péta octet voire en exa octet. Il est nécessaire de développer les techniques de filtrage pour fournir l'information pertinente selon un centre d'intérêt spécifique. Un système de filtrage collaboratif (SFC) génère des recommandations aux utilisateurs par le biais de la similarité et la proximité entre les profils ainsi que par la prise en compte de leurs historiques d'évaluations. A l'inverse de la plupart des SFC qui sont basés sur l'exploitation de la similarité entre utilisateurs, nous adoptons l'approche basée items afin d'améliorer la qualité de recommandation, ce procédé semble flexible et nous a permis d'intégrer d'autres sources d'informations tout en mettant le calcul en mode off-line, puis et pour augmenter les performances et alléger l'inconvénient du manque évaluation, nous avons exploité la couche sémantique des objets telles que les méta-données et les relations sémantiques entre les items, finalement nous avons exploré la technique LSI (Latent Semantic Indexing) afin de réduire la complexité d'algorithme et identifier les items les plus corrélés. Un jeu de test réel de MovieLens á été exploité pour les tests d'expérimentation.