Accueil › Glossaire › Système de Recommandation

Recommendation System (Système de Recommandation)

Un système de recommandation (recommendation system ou recommender system) est un algorithme d’intelligence artificielle qui prédit les préférences d’un utilisateur pour lui suggérer des contenus, produits ou services pertinents, en analysant ses comportements passés et ceux d’utilisateurs similaires.

Quand Netflix vous propose un film, quand Spotify crée votre Discover Weekly, quand Amazon affiche « Les clients ayant acheté cet article ont également acheté… », c’est un système de recommandation à l’œuvre. Ces systèmes pilotent 80 % des contenus visionnés sur Netflix et représentent 35 % du chiffre d’affaires d’Amazon. Le marché mondial des systèmes de recommandation basés sur l’IA devrait atteindre 3,62 milliards de dollars d’ici 2029, en partant de 2,44 milliards en 2025. En 2026, la tendance majeure est l’adoption de modèles de fondation (foundation models) inspirés des LLM, où Netflix traite l’historique de chaque utilisateur comme une « phrase » et ses interactions comme des « mots » pour prédire la prochaine action.

Les trois approches fondamentales

Filtrage collaboratif (Collaborative Filtering)

Le filtrage collaboratif repose sur l’hypothèse que des utilisateurs aux comportements similaires auront des préférences similaires. Si l’utilisateur A et l’utilisateur B ont aimé les mêmes films, et que A a aimé un film que B n’a pas vu, le système recommande ce film à B.

Deux variantes existent. Le filtrage collaboratif « user-based » compare les utilisateurs entre eux. Le filtrage collaboratif « item-based » compare les articles entre eux (deux films sont similaires si les mêmes personnes les ont aimés). En pratique, l’approche item-based est plus stable et scalable car le catalogue d’articles évolue moins vite que la base d’utilisateurs.

Le filtrage collaboratif est l’approche qui a rendu Spotify célèbre. Elle ne nécessite aucune connaissance du contenu : pas besoin de savoir qu’un morceau est du jazz ou du rock, il suffit de savoir qui l’écoute. Son principal inconvénient : le problème du démarrage à froid (impossible de recommander un article que personne n’a encore évalué).

Filtrage par contenu (Content-Based Filtering)

Le filtrage par contenu recommande des articles similaires à ceux que l’utilisateur a déjà aimés, en analysant les caractéristiques intrinsèques des articles (genre, acteurs, durée pour un film ; tempo, tonalité, énergie pour un morceau musical). Il ne dépend pas des comportements d’autres utilisateurs et peut donc recommander des articles nouveaux (pas de cold start sur les articles).

Son inconvénient : il tend à enfermer l’utilisateur dans une « bulle de filtres » en ne recommandant que des articles très similaires à ce qu’il connaît déjà (sur-spécialisation).

Approches hybrides

En pratique, tous les systèmes de recommandation modernes sont hybrides : ils combinent filtrage collaboratif et filtrage par contenu, souvent complétés par des signaux contextuels (heure, appareil, localisation, météo). Netflix, Spotify, YouTube et Amazon utilisent tous des systèmes hybrides. La question n’est plus « quel type de filtrage utiliser ? » mais « comment combiner les signaux de la façon la plus efficace possible ? ».

L’évolution technologique

Factorisation matricielle (2006-2015)

La factorisation matricielle a marqué un tournant avec le Netflix Prize (2006-2009). La matrice utilisateurs × articles (très creuse : chaque utilisateur n’a noté qu’une infime fraction des articles) est décomposée en deux matrices de faible rang, révélant des « facteurs latents » qui capturent les préférences implicites. SVD (Singular Value Decomposition) et SVD++ sont les techniques fondatrices. Cette approche reste utilisée en production chez Netflix.

Deep learning (2015-2023)

Le deep learning a multiplié les possibilités. Les principales architectures utilisées dans les systèmes de recommandation :

DeepFM (Factorization Machine + réseau de neurones profond) est devenu un standard pour la prédiction de taux de clic (CTR) dans la publicité en ligne. GRU4Rec a établi le paradigme des recommandations basées sur les sessions (un utilisateur anonyme dont on ne connaît que les derniers clics). SASRec (Self-Attentive Sequential Recommendation) a démontré que les mécanismes d’attention des Transformers surpassaient les RNN pour la recommandation séquentielle.

L’ère des Foundation Models et LLM (2024-présent)

La tendance la plus marquante de 2025-2026 est l’adoption des architectures de type LLM par les systèmes de recommandation. L’idée : traiter l’historique complet d’un utilisateur comme une séquence de « tokens » (ses interactions) et entraîner un modèle de fondation par prédiction auto-régressive du prochain token, exactement comme un LLM prédit le prochain mot.

Spotify adapte des LLM open-weight (LLaMA) à son domaine en introduisant une « tokenisation sémantique » : chaque entité du catalogue (artiste, épisode de podcast, audiobook) est convertie en « semantic ID » via hachage sensible à la localité (LSH) et ajoutée au vocabulaire du LLM fine-tuné. Cela débloque le séquencement de playlists, les recommandations de podcasts personnalisées, et la recherche sémantique dans le catalogue pour plus de 600 millions d’utilisateurs.

À RecSys 2025 (Prague), la keynote de Jure Leskovec (Stanford) a porté sur les « Relational Foundation Models » (RFM) : un modèle unique capable d’alimenter des prédictions dans des dizaines de cas d’usage, du taux de clic à l’engagement sur le contenu. La keynote de Xavier Amatriain (VP AI Products, Google) a souligné l’importance des feedbacks négatifs et de la qualité des données, rappelant que les progrès viennent autant de la data que des modèles.

Les défis fondamentaux

Le problème du démarrage à froid (Cold Start)

Le cold start est le talon d’Achille de tout système de recommandation. Un nouvel utilisateur n’a pas d’historique. Un nouvel article n’a pas d’interactions. Comment recommander dans ces situations ? Les approches modernes combinent : des embeddings sémantiques du contenu (métadonnées, descriptions, visuels) pour les articles nouveaux, des modèles démographiques ou contextuels pour les utilisateurs nouveaux, et l’apprentissage à partir de très peu d’interactions (few-shot). Un survey complet publié début 2025 recense les approches LLM pour le cold start, montrant que les LLM peuvent exploiter les descriptions textuelles d’articles pour générer des représentations utiles sans aucune donnée d’interaction.

Feedback implicite vs explicite

Le feedback implicite (clics, temps de visionnage, scrolls, achats) est bien plus abondant que le feedback explicite (notes, likes, avis écrits). Mais il est aussi plus bruité : un clic ne signifie pas toujours un intérêt, et un non-clic ne signifie pas toujours un désintérêt (l’utilisateur n’a peut-être simplement pas vu l’article). Les modèles doivent apprendre à distinguer le signal du bruit. Netflix traite le problème en modélisant chaque interaction avec des « post-action features » (durée de visionnage, reprise ou abandon) qui enrichissent la supervision.

Bulle de filtres et diversité

Un système trop performant enferme l’utilisateur dans une bulle : il ne voit que du contenu similaire à ce qu’il consomme déjà, sans découverte. Les systèmes modernes intègrent des mécanismes de diversité et d’exploration (sérendipité) pour exposer les utilisateurs à du contenu nouveau. L’apprentissage par renforcement (reinforcement learning) est particulièrement adapté car il peut optimiser l’engagement à long terme (pas seulement le clic immédiat) en explorant des recommandations moins évidentes.

Scalabilité et latence

Netflix sert plus de 300 millions d’utilisateurs avec un catalogue de plus de 15 000 titres. Spotify gère 600 millions d’utilisateurs et un catalogue de plus de 100 millions de morceaux. Les recommandations doivent être générées en quelques millisecondes, ce qui impose des contraintes sévères sur la taille et la complexité des modèles. Netflix note que contrairement aux LLM qui tolèrent des secondes de latence, les systèmes de recommandation exigent une latence de l’ordre de la milliseconde, ce qui limite le scaling des modèles.

Équité et biais

Les systèmes de recommandation peuvent amplifier les biais présents dans les données : surreprésenter les artistes populaires, sous-recommander les créateurs issus de minorités, ou renforcer des stéréotypes de consommation. Les « fairness-aware recommender systems » intègrent des contraintes d’équité dans l’entraînement et l’évaluation, un axe de recherche actif documenté dans un survey complet publié en 2025-2026.

Applications par secteur

Pipeline d’un système de recommandation en production

Un système de recommandation en production ne se résume pas à un seul modèle. C’est un pipeline en plusieurs étapes, chacune avec ses propres contraintes de latence et de scalabilité.

Étape 1 : Candidate Generation (génération de candidats). Parmi des millions d’articles, le système présélectionne quelques centaines de candidats potentiellement intéressants pour l’utilisateur. C’est la phase de filtrage grossier, qui doit être rapide. Les approches typiques : recherche par plus proches voisins dans un espace d’embeddings (Approximate Nearest Neighbor, ANN), filtrage collaboratif léger, ou règles métier simples.

Étape 2 : Ranking (classement). Les candidats sélectionnés sont classés par un modèle plus sophistiqué (deep learning, Transformer) qui prédit un score de pertinence pour chaque candidat. C’est la phase la plus coûteuse en calcul, mais elle ne porte que sur quelques centaines d’articles au lieu de millions.

Étape 3 : Re-ranking (re-classement). Le classement est ajusté pour intégrer des contraintes business : diversité (ne pas montrer 10 films du même genre), fraîcheur (promouvoir le contenu récent), équité (exposition des créateurs), et cohérence de la page (alterner les formats). C’est aussi là qu’interviennent les filtres de contenu inapproprié.

Étape 4 : Serving et personnalisation de la présentation. Les recommandations sont servies à l’utilisateur avec une présentation personnalisée. Netflix personnalise même les vignettes (thumbnails) : la même série peut être présentée avec une image d’action à un utilisateur et une image romantique à un autre, selon leurs préférences visuelles.

Ce pipeline en cascade permet de traiter des catalogues de millions d’articles avec une latence de quelques dizaines de millisecondes. YouTube, par exemple, utilise un premier modèle (candidate generation) qui réduit des dizaines de millions de vidéos à quelques centaines, puis un second modèle (ranking) qui produit le classement final affiché à l’utilisateur.

Métriques d’évaluation

L’évaluation des systèmes de recommandation utilise des métriques spécifiques. La recherche distingue deux tâches principales : la prédiction de notes (rating prediction, évaluée par RMSE, MAE) et le classement top-N (top-N ranking, évalué par Precision@K, Recall@K, NDCG, Hit Rate, MAP). En production, les métriques business prennent le dessus : taux de clic (CTR), taux de conversion, temps de session, taux de rétention, et revenu par utilisateur.

L’évaluation offline (sur des données historiques) ne suffit pas : un modèle qui performe bien offline peut échouer en A/B test live parce qu’il ne capture pas les effets de rétroaction (le modèle influence ce que l’utilisateur voit, ce qui modifie son comportement). L’évaluation hors-ligne avec des estimateurs off-policy (inverse probability weighting) est un axe de recherche actif chez Netflix pour réduire cet écart.

Verdict

Les systèmes de recommandation sont probablement l’application de l’IA la plus rentable qui existe. Ils génèrent directement du revenu (chaque recommandation pertinente est un achat ou un visionnage de plus) et touchent des milliards d’utilisateurs quotidiennement. La compétition est féroce : quelques pourcents d’amélioration sur le taux de rétention valent des millions de dollars pour Netflix ou Spotify.

L’évolution vers les foundation models (Netflix Foundation Model, Spotify avec LLaMA) est le changement architecturall le plus significatif depuis la factorisation matricielle du Netflix Prize. L’idée de traiter les interactions utilisateur comme un « langage » et d’appliquer les techniques de LLM est élégante et performante. Elle unifie des dizaines de modèles spécialisés en un seul, simplifie le système et permet le transfer learning entre tâches.

Pour un développeur IA, les systèmes de recommandation sont un excellent terrain d’apprentissage. Ils couvrent le filtrage collaboratif, la factorisation matricielle, le deep learning (autoencoders, RNN, Transformers, GNN), le reinforcement learning, et maintenant les LLM. Les datasets publics (MovieLens, Amazon Reviews, Criteo) permettent de démarrer rapidement, et les postes en RecSys sont parmi les mieux rémunérés de l’industrie tech.