Abstract (FR)

Avec l'augmentation du volume de données produit par divers ressources, nous avons un besoin croissant de systèmes de recommandation, qui filtrent les données pour aider les utilisateurs à trouver l'information appropriée. Afin de satisfaire encore plus les besoins des utilisateurs et générer des recommandations plus pertinentes, un nouveau type de systèmes de recommandation, nommé système de recommandation contextuel (CARS), intègre les informations contextuelles des utilisateurs dans le processus de recommandation. Cependant, il n'existe toujours pas de définition unique du contexte. L'objectif de cette thèse est, dans un premier temps, d'identifier les facteurs de contexte pertinents pour les CARSs, afin d'améliorer les précédentes propositions de l'état de l'art, et pouvant être utilisés pour un large éventail d'applications. Ensuite, nous proposons une nouvelle représentation du contexte, ainsi qu'une approche pour intégrer ce type d'information dans un système de recommandation. Nous représentons le contexte en nous basant sur l'influence du contexte sur les scores donnés par les utilisateurs aux éléments, calculée à l'aide du Coefficient de Corrélation de Pearson. Ensuite nous filtrons les données à partir de ces représentations, afin de les intégrer dans le processus de recommandation. Nous présentons deux approches de recommandations contextuelles à base de pré-filtrage et post-filtrage. De plus, nous proposons une méthode pour générer des explications pour nos recommandations contextuelles. Par des expérimentations, nous démontrons que notre approche réduit la parcimonie, problématique bien connue des CARS, et peut également améliorer les performances de l'état de l'art.