Abdellah El Fazziki

Le filtrage collaboratif (CF) est une approche de recommandation populaire qui a fait l'objet de recherches approfondies au cours des deux derni res d cennies, ce qui a donn lieu un ensemble vari d'algorithmes et une vaste collection d'outils permettant d' valuer leurs performances. Cette recherche propose une nouvelle approche de recommandation pour traiter les probl mes de mouton gris et de raret des donn es, dans le but d'am liorer la pr cision de la pr diction en d duisant de nouveaux utilisateurs partir des utilisateurs existants dans les ensembles de donn es. Cette transformation cr e des utilisateurs ayant des pr f rences oppos es celles des utilisateurs r els, ce qui augmente le nombre d'utilisateurs et r sout les deux probl mes mentionn s. Les performances de cette approche ont t valu es l'aide de deux ensembles de donn es, MovieLens et FilmTrust. Dans l'ensemble, ce livre contribue au d veloppement de meilleurs syst mes de recommandation capables de relever les d fis de la surcharge de donn es et d'am liorer l'exp rience de l'utilisateur.

A filtragem colaborativa (FC) uma abordagem de recomenda o popular que tem sido amplamente investigada nas ltimas duas d cadas, dando origem a um conjunto diversificado de algoritmos e a uma grande cole o de ferramentas para avaliar o seu desempenho. Esta investiga o prop e uma nova abordagem de recomenda o para lidar com os problemas das ovelhas cinzentas e da escassez de dados, com o objetivo de melhorar a precis o da previs o atrav s da infer ncia de novos utilizadores a partir de utilizadores existentes em conjuntos de dados. Esta transforma o cria utilizadores com prefer ncias opostas s dos utilizadores reais, o que aumenta o n mero de utilizadores e resolve os dois problemas mencionados. O desempenho desta abordagem foi avaliado utilizando dois conjuntos de dados, MovieLens e FilmTrust. De um modo geral, este livro contribui para o desenvolvimento de melhores sistemas de recomenda o, capazes de ultrapassar os desafios da sobrecarga de dados e de melhorar a experi ncia do utilizador.

Collaborative filtering (CF) is a popular recommendation approach that has been extensively researched over the last two decades, resulting in a diverse set of algorithms and a large collection of tools to evaluate their performance. This research proposes a new recommendation approach to deal with the problems of grey sheep and data sparsity, with the aim of improving prediction accuracy by inferring new users from existing users in datasets. This transformation creates users with preferences opposite to those of real users, thereby increasing the number of users and solving the two problems mentioned. The performance of this approach has been evaluated using two datasets, MovieLens and FilmTrust. Overall, this book contributes to the development of better recommender systems capable of overcoming the challenges of data overload and improving user experience.