Des chercheurs de l'Université de Twente et du CNRS ont récemment mené une étude qui explore la relation entre les avis des utilisateurs et les recommandations personnalisées qu'ils reçoivent en ligne. Dans leur papier, qui a été prépublié sur arXiv, ils ont proposé un modèle décrivant cette interaction, puis l'a évalué au moyen de simulations approfondies et d'une analyse mathématique.

"Nous rencontrons tous des systèmes de recommandation dans notre vie quotidienne, dès que nous intervenons sur Internet, que ce soit en naviguant sur Facebook ou Twitter ou en faisant des achats sur Amazon, " Paul Frasca, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "Ces systèmes sont chargés de sélectionner les informations les plus pertinentes pour nous."

Essentiellement, Les systèmes de recommandation sont conçus pour mettre en évidence un contenu en ligne particulier qui correspond aux préférences des utilisateurs individuels naviguant sur Internet. Dans les années récentes, ces systèmes sont devenus de plus en plus populaires, avec de nombreuses plateformes de médias sociaux et d'autres sites Web qui les utilisent pour améliorer l'engagement des utilisateurs, ou pour faire la publicité de produits et services.

Les recherches menées par Frasca et ses collègues visaient à mieux comprendre l'interaction entre les opinions des utilisateurs et les recommandations personnalisées proposées par les systèmes de recommandation. En tant que mathématiciens, ils ont développé un modèle dynamique de l'interconnexion entre l'utilisateur et le contenu recommandé.

"Notre système de recommandation est très simple, puisqu'il ne dispose que de deux éléments parmi lesquels choisir et qu'il se caractérise par un seul paramètre, que nous appelons epsilon, " expliqua Frasca. " Le système garde une trace de combien les articles ont été appréciés (=cliqués dessus) dans le passé. A chaque fois qu'il doit faire une recommandation, les systèmes lancent une pièce (biaisée) qui retourne face avec probabilité epsilon (queue avec probabilité 1-epsilon)."

Si le résultat de ce tirage au sort est la tête, le système recommande l'élément le plus réussi enregistré dans son historique ; s'il montre la queue, il recommande un élément entièrement aléatoire. Ce processus de randomisation permet aux chercheurs de choisir « epsilon » pour s'assurer que le système équilibre efficacement la diversité et la précision dans les recommandations qu'il fournit.

Leur modèle représente l'interaction entre un seul utilisateur et un agrégateur d'actualités en ligne, afin de découvrir la boucle de rétroaction entre l'évolution de l'avis de cet utilisateur et les recommandations personnalisées. Il suppose que l'utilisateur en question a une opinion scalaire sur un problème particulier, caractérisé par une position binaire, et que cette opinion peut être influencée par les nouvelles reçues en ligne. Typiquement, on pense que l'utilisateur a un biais de confirmation, ce qui signifie qu'elle aura une préférence pour le contenu qui confirme son opinion sur un problème donné.

Les chercheurs supposent également que l'objectif du système de recommandation est de maximiser le nombre de clics des utilisateurs, et pour l'atteindre, il doit faire un compromis entre l'exploration des préférences des utilisateurs et leur exploitation. Des simulations numériques approfondies et une analyse mathématique du modèle ont révélé que les contenus personnalisés et les biais de confirmation affectaient tous deux l'évolution des opinions d'un utilisateur, l'étendue de cet effet étant liée à l'efficacité du système de recommandation.

"Nous avons mis en évidence que les comportements de l'utilisateur et du système de recommandation se nourrissent l'un de l'autre de manière à modifier le comportement de l'utilisateur, " dit Frasca. " En même temps, le paramètre epsilon fournit un bouton pour régler le degré d'aléatoire et éventuellement atténuer l'impact sur l'opinion de l'utilisateur."

Les recherches menées par Frasca et ses collègues ont fourni un aperçu intéressant de la relation entre les opinions des utilisateurs et les recommandations personnalisées qu'ils reçoivent en ligne. Cependant, cette idée doit encore être validée avant de pouvoir être traduite en recommandations politiques. Les chercheurs travaillent maintenant à l'amélioration de leur modèle, pour s'assurer qu'il reflète mieux les scénarios de la vie réelle.

"Notre modèle concerne un seul utilisateur et deux éléments possibles, " dit Frasca. " Clairement, en réalité, les utilisateurs et les éléments sont nombreux. Nous prévoyons d'étendre le modèle pour inclure un réseau social d'utilisateurs et une multiplicité d'articles. Dans un sens, nos récents travaux ont été un tremplin vers un modèle plus général qui est notre prochain objectif."

© 2018 Tech Xplore