Quels objectifs pour les recommandations?




Hubert guillaut dans  cet excellent billet sur Internet Actu,part du constat que les recommandations ne sont pas toujours pertinentes et proposent souvent des éléments que l’on aurait trouvé tout seul. Il en appelle à des outils véritablement pertinents permettant de mettre en oeuvre une véritable sérendipité.

Poursuivant la réflexion, Hubert Guillaut nous livre ensuite ce commentaire particulièrement intéressant: 

Je viens d’avoir une très intéressante conversation avec Raphaël Labbé, l’un des développeur de U.lik, un moteur de recommandation justement, qui m’expliquait la différence entre le Collaborative Filtering (du type Last.fm) et le Content Based filtering (utilisé par Pandora notamment), qui sont un peu les 2 systèmes qui président aujourd’hui au monde de la recommandation. Il me racontait également que si les résultats d’Amazon sont aussi peu pertinents, ce serait dû au bridage volontaire du système : la recommandation doit servir un achat d’impulsion. L’utilisateur ne doit pas réfléchir, mais consommer. Il est donc plus simple en effet de proposer un autre titre de Michael Moore qu’un titre plus différent comme The Take de Naomi Klein par exemple, mais qui devrait plaire aux mêmes amateurs.

Il a évoqué également le travail réalisé sur U.lik où le profiling permet de mettre en avant, quand vous êtes connectés, ce qui dans les profils des autres est le plus proche de ce qui vous plaît ou vous ressemble. Il évoquait également Findory, le moteur de recherche développé par Greg Linden, l’auteur du moteur de recommandation d’Amazon, qui personnalise ses résultats à mesure que vous l’utilisez. Et me racontait que celui-ci expliquait souvent l’importance de garder de l’ouverture dans un moteur de recommandation pour conserver de l’intérêt : et ainsi de ne pas hésiter à faire apparaître des informations qui n’étaient pas de votre opinion politique – même si vous l’aviez renseigné dans votre profil – pour laisser libre cours à la surprise et renouveler l’intérêt.

Dans les fonctionnements de ces moteurs, il y a aussi une dichotomie Actif/Passif : je renseigne mon profil vs. le moteur détermine mon profil en fonction de mes actions.

Tout cela me semble-t-il pose la question de la confiance que l’on peut accorder à des systèmes techniques de prescriptions de ressources. Que signifie la notion de pertinence? Quels critères permettent de la déterminer, et surtout vers quel but elle tend ?

Si ce qui est dit plus haut est vrai, les enjeux se déplacent-ils de l’opposition basique Tête de gondoles et best-seller vs biblio-diversité à des enjeux subtils du type sérendipité-sans-risque (on propose des titres très proches sans "faire découvrir" des éléments radicalement différents) / sérendipité-risquée (on fait découvrir des élements très différents ?

J’émets quant à moi quelques doutes sur la validité d’une telle opposition, il me semble que le moteur de recommandation efficace, surtout s’il repose sur la longue traîne, doit être un savant mélange des deux…

En tout cas,  si un jour les recommandations professionelles (c’est à dire entrée par le personnel qui acquière par domaines) du type "vous avez aimez vous aimerez" sont présente sur nos Opac, encore faudra-t-il clairement définir les objectifs poursuivis par ces recommandations puisqu’il s’agira d’un outil de  "médiation numérique des collections" (je reviendrai sur cette notion plus tard…). Cette activité sera donc liée très fortement aux politiques documentaires que nous aurons mises en place. Il nous faudra donc là encore répondre aux questions Pourquoi? et pour qui?

 

Quitter la version mobile