Dialogue entre algorithmes de clustering pour l'identification de communautés sur les réseaux sociaux à des fins de recommandation de ressources artistiques

Mots clés

Clustering, Recommandation, réseaux sociaux

Détail de l'offre

Les systèmes de recommandation constituent un domaine de recherche très actif dont l'objectif est de fournir des recommandations personnalisées à des utilisateurs, au sein d'un espace de données important. Les types de recommandations sont très divers, et vont des films aux produits de commerce en ligne, en passant par la musique, les ressources éducatives et même les utilisateurs. Les défis scientifiques de ce domaine sont très nombreux. Ils peuvent par exemple concerner la neutralité des algorithmes, leur explicabilité, leur inclusivité, l'adoption des ressources recommandées, leur impact, etc.
Bien que proposée dès l'apparition des systèmes de recommandation en tant que domaine de recherche, l'une des approches les plus efficaces et les plus populaires est aujourd'hui encore le filtrage collaboratif, qui recommande aux utilisateurs les ressources appréciées par les utilisateurs qui leur sont similaires. L'hypothèse sous-jacente est que les individus qui se ressemblent le plus auront aussi des préférences similaires.
Cette hypothèse peut cependant ne pas être suffisante où une part intersubjective, c'est-à-dire influencée par les communautés auxquelles l'individu appartient, et une part plus transverse, c'est-à-dire qui dépasse ces communautés. Prendre en compte cette considération implique de connaître les communautés auxquelles chaque utilisateur appartient. Un prérequis est donc la détection de communautés, qui représente un domaine de recherche à part.
L'identification de communautés sur les réseaux sociaux est généralement effectuée selon deux types d'approches de clustering. La première consiste en l'exploitation de la similarité entre les individus du réseau social considéré en fonction de leurs caractéristiques. La seconde consiste en l'exploitation du graphe des liens sociaux explicites entre les individus.
L'une des problématiques de cet autre domaine de recherche est l'évaluation de la pertinence des communautés extraites. Une solution répandue consiste à vérifier d'une part que les individus au sein de chaque groupe sont fortement similaires (haute similarité intra-cluster), et d'autre part que la similarité entre les individus de groupes différents est faible (faible similarité inter-cluster). Le problème de cette solution est qu'un score élevé calculé selon ce type de critères ne correspond pas forcément à des communautés pertinentes, en particulier pour le cas de la recommandation de ressources artistiques.
Une manière possible d'amoindrir ce problème serait de croiser deux points de vue différents, chacun correspondant à l'un des deux types d'approches de clustering mentionnées ci-dessus. En effet, ces deux types d'approches utilisant des informations très différentes en entrée, leurs sorties sont souvent très différentes elles aussi. Or, la meilleure version de chacune de ces approches devrait en principe produire des communautés aussi proches des communautés réelles du réseau social considéré que possible, et leurs sorties respectives devraient elles aussi être aussi similaires que possible. La pertinence d'un algorithme correspondant à l'un de ces deux types d'approches pourrait ainsi être évaluée en fonction de la distance entre sa sortie et celle
d'un algorithme de l'autre type. Il semblerait donc pertinent de rechercher une stratégie de dialogue qui, étant donnés deux algorithmes des deux types (similarité et liens sociaux), permette à ces algorithmes de converger vers des sorties aussi similaires que possible.
Placer cette seconde problématique dans le cadre des systèmes de recommandations a un double intérêt. D'une part, cela permet d'étudier dans quelle mesure prendre explicitement en compte les communautés permet d'améliorer la qualité des recommandations; d'autre part, la qualité des recommandations constitue elle-même un critère d'évaluation objectif complémentaire des algorithmes de clustering.