Systèmes de recommandation
Un système de recommandation est un algorithme qui suggère du contenu, un produit ou un service en fonction de l’historique et du comportement d’un utilisateur. Popularisés par Netflix, Amazon ou YouTube depuis les années 2010, ils s’appuient sur le machine learning et l’analyse de grands volumes de données comportementales pour identifier des motifs et prédire ce qui intéressera un utilisateur donné.
Deux approches principales coexistent. Le filtrage collaboratif s’appuie sur l’idée qu’un utilisateur appréciera probablement ce qu’ont aimé des utilisateurs au profil et comportement similaires — sans analyser le contenu lui-même. Le filtrage basé sur le contenu (content-based) compare directement les caractéristiques des éléments entre eux (description, catégorie) pour recommander des items proches de ceux déjà appréciés. Les approches récentes combinent les deux via des réseaux de neurones profonds, capables de capter des corrélations plus subtiles que les méthodes matricielles classiques.
En RH, le principe s’applique au matching candidat/poste (suggérer les offres les plus pertinentes selon le profil et l’historique de candidature) et à la recommandation de formation (proposer un parcours de développement selon les compétences et l’évolution de carrière d’un salarié). Point commun avec le clustering : segmenter les profils par similarité est souvent une étape préalable à la recommandation elle-même.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.