Optimisation du filtrage collaboratif basé sur l'utilisateur

Avec l'avancée des technologies de l'ère moderne, la quantité de données provenant de diverses sources telles que les sites Web en ligne, l'Internet des objets, le commerce électronique, etc. ne cesse d'augmenter à un rythme soutenu. Les données disponibles sont trop nombreuses pour qu'un utilisateur ordinaire puisse les gérer. Le système de recommandation s'efforce donc de fournir la bonne information au bon utilisateur, à sa porte, et le rend facile pour les utilisateurs. La mesure de similarité est considérée comme une étape importante pour déterminer la précision du système de recommandation. Un filtrage collaboratif classique est mis en ¿uvre en utilisant le coefficient de corrélation de Pearson ou la similarité Cosine, qui a ses propres mérites et défauts. Nous proposons une mesure de similarité améliorée en appliquant la méthodologie basée sur les ensembles aux mesures de similarité de base et analysons l'impact de ces diverses mesures de similarité améliorées telles que le cosinus basé sur les ensembles, le coefficient de corrélation de Pearson basé sur les ensembles, le Spearman basé sur les ensembles, le Kendall basé sur les ensembles sur les systèmes de recommandation par filtrage collaboratif. Il a été observé que les mesures de similarité améliorées obtenues à partir des méthodologies basées sur les ensembles étaient plus significatives que les mesures de base en utilisant le test de Wilcoxon.