Résumé:
Dans le contexte du Web actuel, les systèmes de recommandation sont devenus un
moyen incontournable pour améliorer l’engagement des clients et augmenter les revenus
des entreprises. Selon AQOA et McKinsey & Co, 35% des ventes d’Amazon et 95% des
titres recommandés par Netflix proviens de leurs systèmes de recommandation. L’émergence
rapide de ces systèmes de recommandation a créé le besoin de développer des cadres
appropriés pour évaluer leurs performances et pertinences. Le contexte statique qui a entouré
l’avènement de ces systèmes a favorisé la large utilisation d’un cadre hors-ligne qui
omettent les propriétés réelles des données en flux sur les plateformes en production telle
que Amazon et Netflix. Ceci mène à une évaluation artificielle et illogique qui rend les
résultats d’évaluation indéterministes. Ainsi, les algorithmes les plus pertinents dans ce
cadre ne sont pas toujours les meilleurs algorithmes à adopter dans les plateformes réelles.
Dans ce mémoire, nous proposons un cadre d’évaluation des systèmes de recommandation
qui conservent l’aspect réaliste des données en flux. Notre proposition est basée sur des
techniques d’échantillonnage par fenêtre temporelle pour modéliser l’aspect dynamique
des données. Par la suite, notre cadre suit une démarche de distribution de messages en
flux pour simuler le plus fidèlement possible le scénario de recommandation en ligne. Nos
expérimentations menées sur un jeu de données réel ont montré la différence entre les
résultats d’évaluation sur un cadre statique hors ligne et en suivant les directives de notre
proposition dynamique
