Expérimentation Enquête en ligne sur les films long-métrage

Télécharger le fichier pdf d’un mémoire de fin d’études

Filtrage démographique

Le filtrage démographique (Burke, 2002 ; Vozalis et Margaritis, 2003) est une technique de recommandation ayant le même principe de base que le filtrage collaboratif, mais qui utilise un autre type de données, à savoir les caractéristiques démographiques des utilisateurs (âge, sexe…), communément renseignées par l’utilisateur dans un formulaire d’inscription (Montaner et al., 2003). Les recommandations produites sont basées sur des groupes démographiques similaires, caractérisés par un profil. L’hypothèse de cette technique est que les préférences sont induites par ce profil. Il existerait donc une fonction f liant préférence et données démographiques (équation 5).
(5)
L’avantage du filtrage démographique par rapport au filtrage collaboratif et à d’autres techniques est qu’il n’exige pas la connaissance de l’historique d’évaluations de l’utilisateur actif. Pour un groupe démographique donné d’utilisateurs, le filtrage démographique détermine les articles achetés ou appréciés par ce groupe, et qui seront agrégés et recommandés à tout nouvel utilisateur appartenant à ce groupe. Cette technique est également moins sensible au problème de démarrage à froid de la recommandation.
(Pazzani, 1999) utilise le filtrage démographique dans la recommandation de restaurants. Le système de recommandation LifeStyle Finder (Krulwich, 1997) utilise aussi le filtrage démographique pour proposer une série de produits et de services à une population d’utilisateurs selon leur style de vie.
Les recommandations du filtrage démographique risquent cependant d’être trop générales puisque chaque utilisateur peut être potentiellement différent d’un autre, même si celui-ci possède le même profil démographique (Montaner et al., 2003). De plus, cette approche ne s’adapte pas aux changements des intérêts d’un utilisateur, or le profil d’un utilisateur peut évoluer au cours du temps. Cependant, combiné à d’autres techniques de filtrage, le filtrage démographique reste une technique intéressante.

Filtrage basé sur le contenu

En partant des achats ou des évaluations antérieures d’un utilisateur actif du système de recommandation, le filtrage basé sur le contenu (Pazzani, 1999 ; Degemmis al., 2007) ou “item-to-item correlation” (Schafer et al., 1999) recherche dans les nouveaux articles ceux qui sont similaires aux articles que l’utilisateur a auparavant appréciés et les lui recommande :
articles du même auteur, ou contenant les mêmes mots clefs, thématiques similaires…
Dans cette approche, un utilisateur est indépendant des autres utilisateurs du système. Cette technique se base sur l’analyse du contenu des articles (description, performance) et les thèmes qui y sont abordés. Ces données, invariantes d’un client à l’autre, sont appelées données objectives. Le système apprend les intérêts de l’utilisateur en se basant sur les caractéristiques présentes dans les articles qu’il a aimés dans le passé. Il créée son profil en utilisant des caractéristiques extraites de ces articles (Montaner et al., 2003).
Le filtrage basé sur le contenu est généralement utilisé dans des articles dont le contenu est textuel, par exemple les documents ou pages web. Il utilise le contenu des articles ainsi que leurs évaluations par l’utilisateur actif pour construire son profil utile par la suite pour lui recommander des articles intéressants. Une requête de recherche est construite afin de trouver d’autres articles du même auteur, artiste, ou contenant des mots clefs similaires (Linden et al., 2003). Les documents peuvent être représentés suivant l’importance des termes qui y sont contenus. Un système de filtrage basé sur le contenu analyse les caractéristiques Ci des articles appréciés par l’utilisateur actif, il analyse aussi les nouveaux articles destinés à être recommandés et en sélectionne ceux qui maximisent les caractéristiques Ci. Ces caractéristiques peuvent être déterminées par des techniques de filtrage d’information (Belkin et Croft, 1992) basées sur le contenu ou des techniques de recherche documentaire (Baeza-Yates et Ribeiro-Neto, 1999). L’établissement du profil de l’article utilise généralement un vecteur constitué de mots clefs ; la mesure des poids d’importance d’un mot clef dans un article textuel se fait communément par la mesure TF-IDF (Salton, 1989). Le filtrage établit également un vecteur de profil d’un utilisateur dont chaque composante représente l’importance du mot clef pour l’utilisateur.
A partir des indices TF-IDF, une fonction d’utilité traduisant le degré de satisfaction de l’utilisateur pour l’article en question est calculée. Elle peut être déterminée par la mesure cosinus et ce en calculant le cosinus de l’angle entre le vecteur représentant le profil du client et le vecteur représentant le profil de l’article (Adomavicius et Tuzhhilin, 2005).
A titre d’exemple, un système recommandant des pages web pour un utilisateur tel que le système Fab (Balabanovic et Shoham, 1997) utilise les 100 mots clefs les plus importants pour représenter le contenu d’une page Web (Adomavicius et Tuzhilin, 2005).
Dans le filtrage basé sur le contenu et comme pour le filtrage collaboratif, le profil évolue à long terme au fur et à mesure que l’utilisateur se connecte au système. Les systèmes de recommandation InfoFinder (Krulwich et Burkey, 1996), et NewsWeeder (Lang, 1995) implémentent le filtrage basé sur le contenu.
Les systèmes de recommandation d’articles basés sur le contenu présentent plusieurs avantages. En effet, comme pour le filtrage collaboratif, il n’est pas indispensable de connaître le domaine d’intérêt de l’utilisateur, les recommandations sont strictement basées sur les évaluations des articles. De plus, contrairement au filtrage collaboratif, même en étant inscrit seul sur un site, un utilisateur ayant renseigné sa préférence, peut recevoir des recommandations, l’inscription des autres utilisateurs n’est pas requise.
Cependant, le filtrage basé sur le contenu présente certaines limites à savoir l’analyse limitée du contenu des articles. En effet, pour les articles scientifiques ou documents, les pages web, ce type de filtrage est intéressant, cependant, dans des articles tels que les livres, les films, ou dont le contenu est du multimédia (musique, image) où l’extraction d’information n’est pas évidente, le filtrage basé sur le contenu n’est pas la technique adaptée. De plus, le filtrage basé sur le contenu ne prend pas en compte les attributs subjectifs liés à la perception de l’utilisateur et qui peuvent influencer énormément son choix. Enfin, l’utilisateur risque de ne par recevoir d’articles « innovants » car les recommandations reçues portent sur les thèmes présents dans son profil, et sont donc restreintes aux articles similaires à ceux qu’il a positivement évalués dans le passé.
“Customers who Bought” d’Amazon.com utilise le filtrage basé sur le contenu et recommande des titres d’auteurs dont les livres sont fréquemment achetés par le client.

filtrage hybride

Le filtrage hybride (Basu et al., 1998 ; Adomavicius et Tuzhilin, 2005) a été conçu pour pallier les faiblesses des techniques de recommandation (Ungar et Foster, 1998 ; Soboroff et Nicholas, 1999). Il s’agit d’une combinaison du filtrage collaboratif et du filtrage basé sur le contenu (Montaner et al., 2003).
Plusieurs méthodes permettent de combiner deux techniques de recommandation telles que la pondération. Dans cette méthode, la prédiction de la note finale de la recommandation est calculée à partir des résultats des différentes techniques de recommandations présentes dans le système. A titre d’exemple, le score final peut se présenter comme une combinaison linéaire des prédictions du filtrage collaboratif et du filtrage basé sur le contenu (Burke, 2002). Une autre méthode d’hybridation est la commutation : en se basant sur certains critères, le système fait un choix entre les techniques de recommandation suivant la situation en cours (Billsus et Pazzani, 2000) ; à titre d’exemple, s’il n’est pas possible au début de définir un voisinage à un utilisateur donné, le système peut commencer par utiliser le filtrage basé sur le contenu et plus tard tenter le filtrage collaboratif.
Le filtrage hybride résout certaines limites rencontrées dans les techniques de recommandation ordinaires : les limites liées au manque de subjectivité et de nouveauté rencontrées dans le filtrage basé sur le contenu, moins constatées dans le filtrage collaboratif. Il permet aussi de résoudre les problèmes rencontrés en début d’utilisation du système lorsqu’il n’y’a pas suffisamment d’articles évalués par l’utilisateur (démarrage à froid).

Les préférences et les perceptions

Méthodes à base de préférence

Selon « Le Petit Robert », la préférence est définie comme « un jugement ou sentiment par lequel on place une personne ou une chose au-dessus des autres ». La préférence d’une personne peut résulter de facteurs génétiques, familiaux, culturels… Ainsi, à titre d’exemple, des situations sociodémographiques particulières peuvent rassembler des individus aux préférences similaires. Pour établir sa préférence pour un produit particulier, l’individu peut se baser sur des critères (descripteurs) en lien avec la nature du produit. Par exemple, dans le domaine de l’automobile, la sécurité, le confort, et le caractère écologique peuvent être considérés comme des critères sur lesquels un utilisateur final établirait sa préférence. La compréhension et l’étude des préférences liées aux aspects esthétiques et affectifs des populations cibles sont dès lors considérées par les entreprises afin de mieux adapter leur offre aux attentes du marché.
En effet, dans un contexte où les activités industrielles se concentrent sur la préférence des utilisateurs, des méthodes de conception et d’innovation proches de l’utilisateur final présentent un intérêt majeur pour un nombre important d’entreprises, leur but étant de qualifier et quantifier la préférence de l’utilisateur. Ceci passe par le choix de critères permettant de caractériser les produits industriels par des profils sensoriels, et de les quantifier sur des échelles de jugements (Amerine et al., 1965). Ce choix est très important dans le développement de nouveaux critères de conception, afin que les nouveaux produits s’adaptent à l’évolution du marché. Dans ce cadre, l’analyse sensorielle est une méthode majeure pour le développement de produits nouveaux.
Le postulat de l’analyse sensorielle descriptive est que les différences sensorielles entre produits sont susceptibles d’orienter les préférences (et les choix) du consommateur. En supposant que les différences entre produits finis sont largement supérieures aux seuils de perception, on considère que des processus perceptifs identiques informent chaque sujet des propriétés des produits, et sont à la base de la construction de la préférence (SSHA et al., 1998).
Différentes méthodes permettent d’associer la préférence aux caractéristiques sensorielles des produits. A titre d’exemple, un des domaines d’application est l’agroalimentaire où des propriétés comme le caractère plus ou moins sucré, acide, croquant, sont utilisées pour expliquer la préférence du consommateur (Drewnowski, 1993).
Ces méthodes de conception orientée utilisateur utilisent des modèles de préférence. Elles mettent en évidence les préférences des divers panels, permettent de comprendre, de justifier et d’expliquer la préférence globale.
Nous présentons dans la suite trois différentes méthodes intégrant les préférences utilisateurs.

L’analyse conjointe

L’analyse conjointe (Green et Srinivasan, 1978 ; Frewer et al., 1997) est une méthode d’analyse de préférences issue du marketing et qui appartient à la famille des méthodes de statistiques explicatives. Elle permet d’identifier les attentes et de modéliser les préférences des consommateurs pour les produits.
En analyse conjointe, un produit est vu comme un panier d’attributs, c’est à dire un ensemble de caractéristiques qui permettent de le décrire (prix, couleur, forme,…). Le principe de l’analyse conjointe consiste à postuler que la préférence globale d’un consommateur pour un produit est une fonction additive de l’attrait qu’exerce chaque attribut du produit. On considère que le consommateur réalise des arbitrages entre les différents attributs, pour fonder son opinion générale. Techniquement, la préférence globale du sujet est modélisée comme une somme des attractivités (appelées utilités partielles) des attributs constituant le produit. Un modèle linéaire additif est généralement postulé. La préférence du consommateur, appelée utilité, est considérée comme une variable dépendante quantitative (ou ordinale -le classement donné par le consommateur aux différentes combinaisons qui lui sont proposées-). Elle est expliquée par des variables indépendantes nominales qui sont les facteurs (les attributs évaluant le produit ou caractéristiques) ayant différents niveaux (représentant les modalités de chaque attribut). A titre d’exemple, un ordinateur peut avoir comme facteurs la taille de l’écran, la taille du disque, le prix…Chaque facteur peut être décomposé en différents niveaux, par exemple les niveaux de la taille de l’écran peuvent être de 13’’, 15’’.
En analyse conjointe, il est demandé au consommateur (ou répondant) d’exprimer ses préférences vis-à-vis de divers profils de produits. En analysant les préférences du répondant pour les produits, des estimations des utilités partielles de chacun des niveaux des attributs peuvent être déterminées, en optimisant l’erreur d’ajustement de la préférence calculée par le modèle sur la préférence déclarée par le sujet (méthode des moindres carrés). Ensuite, le modèle peut être utilisé pour concevoir de nouveaux produits (optimisant la préférence). L’analyse conjointe peut être donc résumée en deux principales étapes, à savoir une phase de recueil des préférences des consommateurs, et une phase d’estimation permettant de calculer les utilités partielles.
• Identification des attributs du produit et recueil des préférences
Pour déterminer les caractéristiques du produit à prendre en compte, il est possible de mener des études qualitatives en faisant appel à des experts. Ces caractéristiques, appelées aussi attributs, doivent décrire complètement le produit. L’étape suivante consiste à déterminer le nombre de niveaux de chaque attribut. Généralement, le nombre de niveaux ne dépasse pas quatre (Padilla et al., 2001). Le nombre de niveaux doit suffire à différencier tous les produits. En effet, sur l’ensemble des attributs, il ne faut pas qu’il y ait deux produits caractérisés par les mêmes niveaux. Il est possible que le nombre d’attributs ou de niveaux soit coûteux à modéliser. Par conséquent, il n’est pas nécessaire d’évaluer toutes les combinaisons possibles. La détermination des produits à retenir utilise la théorie des plans d’expérience. Elle consiste à se focaliser sur un sous ensemble du produit (plan fractionnaire) dont le nombre d’attributs et de modalités est réduit, en tenant compte de différentes contraintes (orthogonalité, équilibre, D-optimalité du plan).
L’étape suivante consiste à recueillir les préférences du répondant sur les produits du plan expérimental. Ces préférences peuvent être collectées par diverses méthodes telles que les classements par paires des produits (David, 1988). Elles peuvent aussi être déterminées par des mesures métriques sur une échelle.
• Phase d’estimation
Le classement des produits établi, l’étape suivante consiste à calculer, pour chaque répondant, les utilités partielles de chaque niveau de chaque attribut.
Plusieurs méthodes permettent d’estimer ces utilités, telles que l’analyse de la variance (Anova) ou l’analyse monotone de la variance (Monanova) (Kruskall, 1965). L’analyse de la variance est la méthode la plus classique permettant de calculer l’utilité partielle de chacun des niveaux des facteurs et ce lorsque la variable à expliquer est quantitative (la méthode de régression avec variable muette pourrait aussi être utilisée). Monanova est utilisée dans le cas où la variable à expliquer est ordinale.
Les principaux domaines d’application de l’analyse conjointe sont les sciences sociales, le marketing, la production industrielle, la conception de nouveaux produits, l’agroalimentaire…

L’évaluation sensorielle

L’évaluation sensorielle (Stone et al., 1974; Schlich et Chabanon, 2000) est une technique qui a pour objectif de définir et de mesurer les caractéristiques sensorielles des produits, perceptibles par les cinq sens humains. L’évaluation sensorielle a été appliquée au début en agroalimentaire, ensuite en cosmétique, en pharmaceutique, dans l’industrie automobile (Verriele et al., 2012 ; Külkamp-Guerreiro et al., 2013)…
L’analyse sensorielle (Bassereau, 1993 ; Risvik et al., 1994) est parmi les techniques les plus utilisées dans l’évaluation sensorielle. Elle peut être utilisée en conception et développement de produits basés sur les préférences des consommateurs. L’analyse sensorielle est particulièrement appliquée pour caractériser l’interaction entre un produit et un sujet (couleur, texture…, basées sur les cinq sens). Elle permet d’obtenir une mesure quantifiée des propriétés organoleptiques de produits, et de caractériser la préférence des consommateurs et les tendances du marché.
Il existe deux types d’épreuves en analyse sensorielle : les épreuves descriptives et discriminatives. Elles permettent de caractériser les produits, et d’étudier les ressemblances et les différences entre eux. Ces épreuves sont réalisées par un panel d’experts capables de quantifier sur une échelle quantitative des stimuli sensoriels, afin de définir le profil sensoriel.
L’évaluation sensorielle contribue à améliorer la conception d’un produit et de tenir compte des préférences des consommateurs. Cependant, sa mise en place – généralement dans des laboratoires- est complexe et nécessite des moyens importants. C’est une technique parfois coûteuse qui demande de l’expertise, de la rigueur et du temps.

La cartographie des préférences

La cartographie des préférences (SSHA et al., 1998) est une technique permettant de comprendre la relation entre les caractéristiques sensorielles d’un produit, définies par le panel d’experts, et la préférence du consommateur. On constate que les consommateurs n’ont pas de capacités particulières pour la mesure sensorielle, et que celle-ci doit être réalisée par un panel d’experts entrainés pour produire des données fiables. La cartographie des préférences a pour but de relier les préférences de consommateurs aux mesures sensorielles, afin de les expliquer. Elle permet à la fois d’identifier les caractéristiques du produit expliquant la préférence du consommateur, d’identifier les propriétés sensorielles déterminantes pour la réussite et l’amélioration d’un produit, et de déterminer des segments de consommateurs pour pouvoir répondre à leurs attentes.
La cartographie des préférences fait appel à des experts sensoriels et à des consommateurs (sujets naïfs). Les consommateurs sont choisis en fonction de la cible visée pour juger les produits.
Le principe d’une cartographie de préférences consiste à considérer un ensemble de produits (généralement plus de 8) choisis pour leur capacité à évoquer une diversité de la gamme sensorielle. La tâche d’évaluation sensorielle est réalisée par des sujets experts. Cette étude descriptive permet de définir une liste de descripteurs sensoriels pertinents. Ensuite, pour chaque produit, un profil sensoriel est dressé en évaluant l’intensité de la sensation perçue de chaque caractéristique sur une échelle de notation (exemple de 0 à 10). L’étape suivante consiste à demander à des consommateurs naïfs de donner une appréciation globale de la préférence pour chacun des produits. Une modélisation statistique entre les deux types de données, mettant en œuvre différents types de modèles (du modèle linéaire au modèle quadratique) est en suite réalisée pour établir une carte sensorielle. Cette carte permet d’expliquer la liaison entre la préférence des consommateurs en fonction des caractéristiques sensorielles déterminées par les experts.
La cartographie externe de préférences, ou PREFMAP, compte parmi les méthodes les plus répandues (Carroll, 1972). Elle est largement utilisée en marketing et R&D pour adapter les produits aux attentes des consommateurs. La particularité de PREFMAP est qu’elle peut être utilisée en innovation pour déterminer un produit idéal et prédire son appréciation. La particularité de cette méthode est qu’elle est basée sur une analyse factorielle (ex. Analyse en Composantes Principales (Hotelling, 1933)) afin de représenter dans un même espace les caractéristiques sensorielles des produits et les préférences. Ce qui permet de déterminer visuellement le positionnement du produit idéal.
La méthode PREFMAP s’appuie sur quatre modèles (Schiffman et al., 1981): linéaire, circulaire, elliptique ou quadratique. Ces modèles, discutés dans la littérature, considèrent différentes formes de régressions. Ils permettent de prédire l’appréciation (ou note) globale du consommateur du produit en fonction de ses caractéristiques sensorielles.

Importance de la perception émotionnelle dans un jugement de préférence

Comme décrit dans la précédente section, nous pouvons justifier la préférence de l’utilisateur par la perception des caractéristiques sensorielles du produit. Dans cette section, nous mettons également en évidence la perception émotionnelle en considérant les émotions relatives à l’interaction entre l’utilisateur et le produit. Nous décrivons dans ce qui suit l’intérêt d’utiliser les émotions en conception de produits, les liens avec la préférence et l’importance de la perception émotionnelle dans l’interaction entre l’utilisateur et le produit.
Selon (Fenech et Borg, 2007), la perception d’un produit agit comme stimuli sur les émotions, il s’agit d’un processus multi-phases dans lequel les sens occupent un rôle important ; l’impact émotionnel du produit est déterminé par nos sensations lors de notre interaction avec le produit. La composante émotionnelle de la perception est prise en compte à la fois dans la conception de produits et dans la décision d’achat du consommateur (Holbrook et Hirschman, 1982 ; Richins, 1997). Les recherches sur le comportement du consommateur ont confirmé l’importance et la dominance des émotions dans sa prise de décision (Camerer et al., 2005). L’affect joue un rôle dans la communication entre le client et le produit (Picard, 1997). Il représente une composante de l’expression du post-achat chez le client (Batra et Holbrook, 1990). En effet, les produits suscitent des émotions chez le client; les recherches sur les émotions provoquées par les produits sont en pleine expansion (Jordan, 2000; Desmet et Hekkert, 2002; Desmet, 2008). Les émotions ainsi suscitées peuvent différer énormément d’une personne à une autre. De plus, les émotions jouent un rôle dans la prédiction de la satisfaction d’un client. D’où l’intérêt de comprendre et d’expliquer la préférence par les émotions.
Dans la suite, nous présentons le concept de perception émotionnelle et nous passons en revue différentes approches utilisées en sciences des émotions.

La perception émotionnelle

L’étude des perceptions remonte à la fin du 19ème siècle, dans le champ de la psychologie. Selon (Luyat, 2009), la perception peut être considérée comme une intuition reflétant plus un état émotionnel. En science des émotions, il n’existe pas une seule manière de définir une émotion. Selon (Fox, 2008), les émotions sont souvent considérées comme des réponses discrètes et cohérentes à un évènement intérieur ou extérieur ayant une signification particulière pour l’organisme. Toute émotion nécessite et entraîne une relation entre la personne qui l’expérimente et un objet particulier (Frijda, 1994). Le terme affect est le mieux approprié pour désigner tout l’univers ou les notions relatives aux émotions, aux sentiments et aux humeurs. Ce terme est souvent utilisé de façon interchangeable avec le terme ‘émotion’ (Fox, 2008). Il réfère généralement à tout type d’expériences subjectives impliquant la perception d’un aspect ‘bon’ ou ‘mauvais’, ‘agréable’ ou ‘désagréable’ (Desmet et Hekkert, 2007).
Les émotions sont le résultat d’une stimulation biologique. Cependant, le contexte social et culturel influence profondément les émotions. Certaines approches considèrent que les émotions sont socialement construites et sont le produit d’une culture donnée (Harré, 1986 ; Mesquita, 2003). Elles diffèrent d’une culture à une autre (Wierzbicka, 1995). Selon William James (1842-1910) et Walter Cannon (1871-1945), les émotions représentent des sentiments subjectifs. Elles peuvent se manifester à plusieurs niveaux : physiologique, psychologique…, cependant elles ne se manifestent pas de la même façon d’un individu à un autre. Les individus ne ressentent pas, ne gèrent pas et n’évaluent pas l’intensité d’une émotion de la même manière.

Différentes approches

Selon la vision des psychologues en sciences des émotions, deux grands groupes d’approches sont considérés :
– les approches catégorielles ou discrètes, qui considèrent les états affectifs comme des catégories dont le nombre varie suivant les auteurs.
– les approches multidimensionnelles, qui considèrent les états affectifs comme des concepts multidimensionnels pouvant être décrits à partir de différentes dimensions.
Dans la suite, nous présentons en détails ces théories ainsi que les instruments de mesure des émotions associés.

Approches catégorielles ou discrètes

Certains chercheurs supposent que chaque émotion possède sa propre structure neurologique, activée rapidement et automatiquement par les stimuli appropriés (Panksepp, 1998 ; Dolan, 2002). Certaines émotions dont le nombre est limité, sont appelées émotions de base (ou émotions primaires, ou fondamentales). Ce sont des émotions présentes dès la naissance et nécessaires à la survie des espèces.

Table des matières

Introduction Générale
1. Contexte général
2. Positionnement et problématique de recherche
3. Objectifs scientifiques du travail
Chapitre 1. Etat de l’art
Introduction
1.1. PARTIE 1: Techniques de filtrage
1.1.1. Filtrage collaboratif
1.1.2. Filtrage démographique
1.1.3. Filtrage basé sur le contenu
1.1.4. Filtrage hybride
1.1.5. Positionnement de la recherche par rapport aux techniques de filtrage
1.1.5.1. Synthèse des différentes techniques et critères d’analyse
1.1.5.2. Intérêt et limites des techniques identifiées
1.1.5.3. Choix du filtrage collaboratif
1.2. PARTIE 2 : Les préférences et les perceptions
1.2.1. Méthodes à base de préférence
1.2.2. Importance de la perception émotionnelle dans un jugement de préférence
1.2.3. La perception émotionnelle
1.2.4. Différentes approches
1.2.5. Positionnement de la problématique par rapport à l’état de l’art
1.3. Conclusion
Chapitre 2. Méthodologie de recommandation – Proposition
Introduction
2.1. Terminologie adoptée
2.2. Recueil des perceptions
2.2.1. Méthode
2.2.2. Protocole expérimental
2.2.3. Généricité de la méthode
2.3. Description de l’approche de recommandation proposée
2.3.1. Principe
2.3.2. L’approche proposée par l’exemple
2.3.3. Hypothèses sous-jacentes – Synthèse
2.4. Conclusion
Chapitre 3. Tests par simulation des bases de données
Introduction
3.1. Principe des tests – La validation croisée
3.2. Procédure de Test
3.2.1. Définition de profils de clients
3.2.2. Création des bases de données
3.2.3. Indicateur de qualité des recommandations
3.2.4. Cas d’étude
3.2.5. Mise au point de la simulation
3.2.6. Résultats de la procédure de test
3.2.7. Performance des deux approches- Synthèse
3.2.8. Seuils, profil de préférence – Discussion
3.3. Conclusion
Chapitre 4. Expérimentation Enquête en ligne sur les films long-métrage
Introduction
4.1. Protocole expérimental
4.1.1. Choix des films long-métrage
4.1.2. Questionnaire en ligne
4.2. Résultats
4.2.1. Informations sur les sujets
4.2.2. Performance des approches de recommandation
4.2.3. Résultats sur Nmc=100 tests- Approche classique VS Approche proposée
4.2.4. Nature des films proposés
4.2.5. Performance en fonction du sexe et de l’âge
4.2.6. Performance pour une certaine catégorie de sujets
4.3. Discussion
4.4. Conclusion
Conclusion Générale – Perspectives du travail
Références

Télécharger le rapport complet