Le filtrage collaboratif est une technique de recommandation utilisée en intelligence artificielle pour proposer des contenus personnalisés à un utilisateur, en se basant sur les préférences ou comportements d’utilisateurs similaires.
L’idée : “Les personnes qui vous ressemblent ont aimé ceci, donc vous aimerez probablement aussi.”
Principe de fonctionnement :
Le filtrage collaboratif repose sur un postulat simple :
Si deux utilisateurs ont aimé les mêmes éléments dans le passé, ils aimeront probablement les mêmes choses à l’avenir.
Il n’a pas besoin de connaître le contenu (contrairement au filtrage par contenu), seulement les interactions (clics, notes, achats, vues…).
Exemples d’utilisation :
| Plateforme | Exemple de recommandation |
|---|---|
| Netflix | “Des utilisateurs comme vous ont aimé ce film” |
| Amazon | “Les clients ayant acheté cet article ont aussi acheté…” |
| Spotify | Playlists personnalisées selon les écoutes d’autres profils |
| e-learning | Suggestions de cours en fonction des autres élèves du même niveau |
Types de filtrage collaboratif :
| Type | Description | Exemple |
|---|---|---|
| User-based | Recommande des éléments qu’ont appréciés des utilisateurs similaires | “Camille et toi avez aimé X, Camille a aussi aimé Y → Y t’est recommandé” |
| Item-based | Recommande des éléments similaires selon les préférences d’utilisateurs | “Les gens ayant aimé ce film aiment aussi celui-là” |
Fonctionnement mathématique (simplifié) :
-
On construit une matrice utilisateur–item (qui a vu ou aimé quoi)
-
On calcule des similarités (entre utilisateurs ou entre items) : ex. cosine similarity
-
On prédit les notes manquantes ou les préférences futures
-
On génère une liste de recommandations personnalisées
✅ Avantages :
-
Très performant même sans description des contenus
-
Capable de découvrir des corrélations inattendues
-
Plus flexible que les systèmes à règles fixes
⚠️ Limites :
-
Cold start : difficile de faire des recommandations pour un nouvel utilisateur ou un nouvel article sans historique
-
Données biaisées : les préférences des utilisateurs ne sont pas toujours objectives
-
Effet de popularité : tendance à recommander toujours les mêmes contenus populaires