Modélisation des préférences des utilisateurs dans les systèmes de recommandation

Les systèmes de recommandation sont fermement établis comme une technologie standard pour aider les utilisateurs dans leurs choix ; cependant, peu d'attention a été accordée à l'application du modèle utilisateur dans les systèmes de recommandation, en particulier à la variabilité et au bruit qui font partie intégrante du comportement et de l'activité humaine. Pour permettre aux systèmes de recommandation de suggérer des éléments utiles à un utilisateur particulier, il est essentiel de comprendre l'utilisateur et ses interactions avec le système. Ces interactions se manifestent généralement sous forme de retours explicites et implicites d'utilisateur qui fournissent les indicateurs clés pour modéliser les préférences des utilisateurs pour les éléments et des informations essentielles pour personnaliser les recommandations. Dans cet article, nous proposons un cadre de classification pour l'utilisation des retours explicites et implicites des utilisateurs dans les systèmes de recommandation basé sur un ensemble de propriétés distinctes qui incluent l'Effort Cognitif, le Modèle Utilisateur, l'Échelle de Mesure et la Pertinence du Domaine. Nous développons un ensemble de critères de comparaison pour les retours explicites et implicites d'utilisateur afin de souligner les propriétés clés. En utilisant notre cadre, nous fournissons une classification des systèmes de recommandation qui ont abordé des questions concernant le retour des utilisateurs, et nous passons en revue des techniques à la pointe pour améliorer ce retour d'utilisateur et ainsi améliorer la performance du système de recommandation. Enfin, nous formulons des défis pour la recherche future sur l'amélioration du retour d'utilisateur.