#moteur_de_recommandation

De la difficulté d’être agréable à chacun - TasteHit
▻http://alireailleurs.tumblr.com/post/140900926676

http://56.media.tumblr.com/9d0ddfd08f495850718adde8b82c8b64/tumblr_inline_o3s8liRwY81qz6b8d_540.jpg

Sur le blog de sa société, Christophe Burger de la société TasteHit, qui développe un #moteur_de_recommandation de produits, revient sur les limites des moteurs de recommandation. Il est difficile de plaire à tout le monde, rappelle le développeur. Si les systèmes de recommandations fonctionnent bien pour la plupart des gens et la plupart du temps, ils ne sont pas parfaits, notamment pour certains utilisateurs. Le problème est lié à la façon même dont on mesure la performance, estime-t-il. “Lorsque vous proposez un film à un ami, votre objectif est clair : faire la meilleure recommandation possible pour votre ami. L’objectif pour les systèmes de recommandation en ligne est moins clair : même si les recommandations sont servis individuellement, la performance est mesurée à travers tous les (...)

#NosSystèmes

Harcelés par les algorithmes - Medium
▻http://alireailleurs.tumblr.com/post/108815531307

L’artiste et écrivain Joanne McNeil (@jomc, dont nous avons plusieurs fois parlé) revient pour Medium sur les personnes que nous recommandent les #réseaux_sociaux. Il y a quelques années sur Last.fm, quand le site a introduit la fonctionnalité permettant de trouver des utilisateurs ayant des goûts similaires, l’avatar de l’ex-petite amie de l’homme avec qui elle était à l’époque ne cessait de lui apparaître quand elle arrivait sur le site. Ce type de démêlés algorithmiques accidentels se produisent fréquemment, souvent avec une insensibilité surprenante. Sur Facebook la liste des gens que vous connaissez peut-être est peuplée de gens qu’on connaît et qu’on ne veut pas voir : anciens collègues, membres de la famille avec qui vous êtes fâchés, connaissances que vous tentez d’éviter… Sur le Huffington Post, Noah (...)

#moteur_de_recommandation

#spotify possède 6 ans de mes données musicales, mais ne comprend toujours pas mes goûts (enfin, pour l’instant) - The Guardian
▻http://alireailleurs.tumblr.com/post/107969758745

Stuart Dredge pour le Guardian revient sur les limites de Spotify, le célèbre service d’abonnement musical en streaming. Il utilise le service depuis 2008 et il est devenu son principal service de lecture de #musique. Il a demandé à Spotify son “profil de goût”, c’est-à-dire le profil musical qu’il détient pour chaque utilisateur afin de lui adresser des recommandations pertinentes. L’algorithme de recommandation se base sur plusieurs critères pour établir un profil, lui explique le spécialiste de la personnalisation chez Spotify, Ajay Kalia : les chansons écoutées et les artistes, les styles de musiques correspondants, l’acoustique, le tempo et la “dansabilité” des chansons sont prises en compte. Ces données sont comparées à celles des autres utilisateurs et donne un profil organisé par “Cluster” de genres (...)

#moteur_de_recommandation

Le streaming modifie-t-il les goûts musicaux ? - IRMA
▻http://alireailleurs.tumblr.com/post/97556755780

https://31.media.tumblr.com/aed9a54ac009515e908f33e6bbf1ccc6/tumblr_inline_nbdhga1V2S1qz6b8d.png

Romain Bigay pour l’IRMA (le Centre d’information et de ressources pour les musiques actuelles) livre un très bon dossier sur la transformation de nos pratiques d’écoute de #musique. En France, 93% des consommateurs de musique le font en streaming, écoutant en moyenne 17 morceaux de musique par semaine. Le comportement des consommateurs de musique en ligne est différent du comportement des consommateurs de musique sur support, notamment du fait de pratique de recherche et de skipping, c’est-à-dire le fait de passer d’une morceau l’autre, qui se pratique plutôt en fin de journée, contrairement à l’écoute de playlists qui se pratique quand nous sommes plus occupés.

Plus qu’une fragmentation de l’écoute musicale - où les singles ont repris toute leur place rappelle Sophian Fanen pour Libération - , les (...)

#moteur_de_recommandation

De la recommandation vraiment personnalisée - Technology Review
▻http://alireailleurs.tumblr.com/post/97121766613

Difficile de faire de la recommandation ou du ciblage publicitaire précis sur les navigateurs et ordinateurs utilisés par plusieurs personnes d’une même famille ou d’un même bureau. Et bien cela devrait s’améliorer, rapporte Arxiv pour la Technology Review… Des chercheurs du MIT ont étudié les comptes partagés de 600 utilisateurs pour en faire ressortir des caractéristiques qu’ils ont ensuite appliqué à la base de donnée de Netflix, permettant de distinguer utilisateurs individuels et ceux qui partagent leur compte avec d’autres personnes. Bien sûr, Netflix ne peut pas vérifier la véracité de cette information, puisqu’il n’en dispose pas, mais l’algorithme mis en place pourrait permettre de mieux tracer les comportements différents des utilisateurs d’un même navigateur pour mieux leur adresser recommandations (...)

#moteur_de_recommandation #personnalisation #publicité #marketing

Recommander des lieux par l’image - Technology Review
▻http://alireailleurs.tumblr.com/post/95726526786

Les recommandations des utilisateurs ? Oubliez ! L’avenir consiste à analyser les millions d’images que les gens échangent pour en tirer des critères de recommandation explique le CTO de Jetpac à la Technology Review, qui propose des guides urbains en puisant de l’information depuis les photos que les utilisateurs partagent sur Instagram ou Pinterest. Mesurer le nombre de sourires sur les photos prises dans un bar pour connaître son niveau d’appréciation, ou la forme des verres pour savoir si c’est un bar chic ou un bar à bière, ou les images des plats pour savoir le type de nourriture qu’il propose… sont appelés à être autant de nouvelles façons de faire de la recommandation à partir de la reconnaissance d’images. 

#reconnaissance_d'images #moteur_de_recommandation #logiciels_apprenants

La secrète science du RT - Technology Review
▻http://alireailleurs.tumblr.com/post/87186576886

Demain, existera-t-il une application capable d’optimiser vos tweets pour qu’ils soient plus retweetés en identifiant mieux à qui les envoyer selon le sujet qu’ils évoquent ? Certainement, estiment des chercheurs qui ont utilisé ce procédé pour améliorer le taux de RT d’une information locale de 600%. Via la Technology Review. 

#algorithme #moteur_de_recommandation #Twitter

Construisez votre propre système de recommandation - Wired.com
▻http://alireailleurs.tumblr.com/post/83795512883

L’entreprise Mortar Data a mis en #open_source (sur GitHub) sa plateforme de #moteur_de_recommandation, rapporte Klint Finley pour Wired. Jusqu’à présent, pour construire un moteur de recommandation, les entreprises avaient deux possibilité : en utiliser un tout fait (et l’acheter ou acheter son utilisation) ou construire le leur par elles-mêmes, ce qui était risqué car un moteur de recommandation est cher et un mauvais résultat peut-être pire que de ne pas en avoir du tout. Pourtant, beaucoup d’entreprises hésitent à avoir recours à un moteur de recommandation extérieur, par peur de trop dépendre d’une autre société pour exécuter une partie essentielle de leur activité, explique le responsable de Mortar Data. Le coeur de métier de Mortar Data est de proposer des solutions d’hébergements Big Data et rendre (...)