{"id":6231,"date":"2025-12-11T10:44:31","date_gmt":"2025-12-11T10:44:31","guid":{"rendered":"https:\/\/sahelib.atatec-design.com\/index.php\/2025\/12\/11\/systemes-de-recommandation-hybride-pour-corpus-academique\/"},"modified":"2025-12-11T12:12:43","modified_gmt":"2025-12-11T12:12:43","slug":"systemes-de-recommandation-hybride-pour-corpus-academique","status":"publish","type":"post","link":"https:\/\/sahelib.atatec-design.com\/index.php\/2025\/12\/11\/systemes-de-recommandation-hybride-pour-corpus-academique\/","title":{"rendered":"Syst\u00e8mes de recommandation hybride pour corpus acad\u00e9mique"},"content":{"rendered":"

Syst\u00e8mes de recommandation hybride pour corpus acad\u00e9mique<\/h2>\n

Auteur(s) :<\/strong> Dr. A\u00efcha Fall \u2014 Date :<\/strong> 2023-05-13 \u2014 Source :<\/strong> Semantic Scholar<\/p>\n

R\u00e9sum\u00e9<\/strong><\/h2>\n

La production scientifique mondiale conna\u00eet une croissance exponentielle, g\u00e9n\u00e9rant un volume massif de publications qui rend la recherche documentaire complexe pour les chercheurs et \u00e9tudiants. Les syst\u00e8mes de recommandation hybride combinant filtrage bas\u00e9 sur le contenu et filtrage collaboratif repr\u00e9sentent une solution prometteuse pour optimiser la d\u00e9couverte d\u2019articles scientifiques pertinents. Cet article explore les architectures des syst\u00e8mes hybrides appliqu\u00e9s aux corpus acad\u00e9miques, compare leurs performances et met en lumi\u00e8re les d\u00e9fis li\u00e9s \u00e0 la personnalisation, \u00e0 l\u2019actualisation en temps r\u00e9el et \u00e0 l\u2019int\u00e9gration de nouvelles ressources. Enfin, des perspectives sont propos\u00e9es pour am\u00e9liorer l\u2019efficacit\u00e9 et la pr\u00e9cision des recommandations dans le domaine acad\u00e9mique.<\/p>\n

Mots-cl\u00e9s :<\/strong> Syst\u00e8me de recommandation, Hybride, Filtrage collaboratif, Filtrage bas\u00e9 sur le contenu, Corpus acad\u00e9mique, Intelligence artificielle, Temps r\u00e9el.<\/p>\n

\n

Abstract<\/strong><\/h2>\n

The global scientific output is growing rapidly, creating a vast volume of publications that complicates information retrieval for researchers and students. Hybrid recommendation systems combining content-based and collaborative filtering methods represent a promising approach to optimize the discovery of relevant scientific articles. This paper explores the architectures of hybrid systems applied to academic corpora, compares their performances, and highlights the challenges related to personalization, real-time updating, and integration of new resources. Finally, perspectives for improving the efficiency and accuracy of academic recommendations are proposed.<\/p>\n

Keywords:<\/strong> Recommendation system, Hybrid, Collaborative filtering, Content-based filtering, Academic corpus, Artificial intelligence, Real-time.<\/p>\n

\n

1. Introduction<\/strong><\/h2>\n

L\u2019augmentation exponentielle des publications scientifiques complique l\u2019acc\u00e8s rapide \u00e0 l\u2019information pertinente. Les chercheurs sont confront\u00e9s \u00e0 un dilemme : comment trier et identifier les articles les plus adapt\u00e9s \u00e0 leurs besoins dans un corpus massif et h\u00e9t\u00e9rog\u00e8ne\u202f? Les syst\u00e8mes de recommandation hybride repr\u00e9sentent une solution efficace en combinant :<\/p>\n

    \n
  • \n

    Filtrage bas\u00e9 sur le contenu<\/strong> : analyse des caract\u00e9ristiques des articles (mots-cl\u00e9s, abstracts, auteurs, cat\u00e9gories).<\/p>\n<\/li>\n

  • \n

    Filtrage collaboratif<\/strong> : exploitation des interactions utilisateurs (historique de consultation, \u00e9valuations, clics).<\/p>\n<\/li>\n<\/ul>\n

    Cette approche hybride permet d\u2019augmenter la pertinence et la personnalisation des recommandations, tout en limitant les limites inh\u00e9rentes aux syst\u00e8mes bas\u00e9s uniquement sur le contenu ou sur la collaboration. L\u2019objectif de cet article est de pr\u00e9senter un \u00e9tat de l\u2019art complet sur les syst\u00e8mes hybrides pour corpus acad\u00e9mique, d\u2019analyser les m\u00e9thodes utilis\u00e9es et de comparer leur efficacit\u00e9.<\/p>\n

    \n

    2. \u00c9tat de l\u2019art<\/strong><\/h2>\n

    2.1. Syst\u00e8mes de recommandation dans le domaine acad\u00e9mique<\/strong><\/h3>\n

    Les syst\u00e8mes de recommandation acad\u00e9miques visent \u00e0 guider les chercheurs vers des publications pertinentes dans un volume d\u2019information croissant. Parmi les plateformes reconnues\u202f:<\/p>\n

      \n
    • \n

      Google Scholar<\/strong> : moteur de recherche acad\u00e9mique avec acc\u00e8s libre aux m\u00e9tadonn\u00e9es et documents. Limite : pas de recommandation personnalis\u00e9e en temps r\u00e9el.<\/p>\n<\/li>\n

    • \n

      ScienceDirect<\/strong> : large corpus scientifique, possibilit\u00e9 de filtrer par sujet et auteur. Limite : acc\u00e8s payant et absence d\u2019adaptation bas\u00e9e sur les interactions utilisateurs.<\/p>\n<\/li>\n

    • \n

      ArZiGo<\/strong> : prototype de recommandation hybride, int\u00e9grant NLP et apprentissage automatique pour sugg\u00e9rer des articles pertinents selon le profil et le comportement de l\u2019utilisateur.<\/p>\n<\/li>\n<\/ul>\n

      2.2. Approches hybrides<\/strong><\/h3>\n

      2.2.1 Filtrage bas\u00e9 sur le contenu (Content-Based Filtering)<\/strong><\/h4>\n
        \n
      • \n

        Exploite les m\u00e9tadonn\u00e9es des articles pour g\u00e9n\u00e9rer des recommandations similaires \u00e0 ceux d\u00e9j\u00e0 consult\u00e9s.<\/p>\n<\/li>\n

      • \n

        M\u00e9thodes : TF-IDF, embeddings texte (Word2Vec, BERT).<\/p>\n<\/li>\n

      • \n

        Limites : risque de sur-sp\u00e9cialisation, d\u00e9pendance \u00e0 la qualit\u00e9 des m\u00e9tadonn\u00e9es.<\/p>\n<\/li>\n<\/ul>\n

        2.2.2 Filtrage collaboratif (Collaborative Filtering)<\/strong><\/h4>\n
          \n
        • \n

          Repose sur la similitude des comportements entre utilisateurs.<\/p>\n<\/li>\n

        • \n

          M\u00e9thodes : User-based, Item-based, Matrix Factorization (SVD).<\/p>\n<\/li>\n

        • \n

          Limites : probl\u00e8me du d\u00e9marrage \u00e0 froid, n\u00e9cessit\u00e9 d\u2019une base utilisateur suffisante.<\/p>\n<\/li>\n<\/ul>\n

          2.2.3 Approche hybride<\/strong><\/h4>\n
            \n
          • \n

            Combine les deux m\u00e9thodes pr\u00e9c\u00e9dentes pour tirer profit de leurs avantages respectifs.<\/p>\n<\/li>\n

          • \n

            Techniques : pond\u00e9ration, cascade, commutation, ou mod\u00e8les mixtes utilisant deep learning.<\/p>\n<\/li>\n

          • \n

            Avantages : meilleure personnalisation, r\u00e9duction des effets de d\u00e9marrage \u00e0 froid, possibilit\u00e9 d\u2019int\u00e9grer des interactions en temps r\u00e9el.<\/p>\n<\/li>\n<\/ul>\n

            \n

            3. Analyse comparative des syst\u00e8mes hybrides<\/strong><\/h2>\n
            \n
            \n\n\n\n\n\n\n\n
            Approche<\/th>\nAvantages<\/th>\nLimites<\/th>\nApplications<\/th>\n<\/tr>\n<\/thead>\n
            Bas\u00e9e sur le contenu<\/td>\nPas besoin d\u2019une grande communaut\u00e9 d\u2019utilisateurs, interpr\u00e9table<\/td>\nPeu diversifi\u00e9e, d\u00e9pend des m\u00e9tadonn\u00e9es<\/td>\nSuggestions d\u2019articles selon mots-cl\u00e9s, domaines pr\u00e9cis<\/td>\n<\/tr>\n
            Collaboratif<\/td>\nExploite le comportement d\u2019une large communaut\u00e9, peut d\u00e9couvrir des contenus inattendus<\/td>\nD\u00e9marrage \u00e0 froid, confidentialit\u00e9, mise \u00e0 jour lente<\/td>\nRecommandation selon profil utilisateur et pr\u00e9f\u00e9rences similaires<\/td>\n<\/tr>\n
            Hybride<\/td>\nCombine les avantages des deux approches, adaptable au d\u00e9marrage \u00e0 froid, peut int\u00e9grer IA<\/td>\nComplexit\u00e9 de mise en \u0153uvre, d\u00e9pendance aux donn\u00e9es multi-sources<\/td>\nPlateformes acad\u00e9miques, biblioth\u00e8ques num\u00e9riques, syst\u00e8mes d\u2019aide \u00e0 la recherche<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

            Observations :<\/strong>
            Les syst\u00e8mes hybrides obtiennent g\u00e9n\u00e9ralement une meilleure pr\u00e9cision (F1-score > 0,85) et une meilleure couverture des recommandations par rapport aux approches simples. L\u2019int\u00e9gration de mod\u00e8les de NLP et de r\u00e9seaux neuronaux permet de traiter les textes scientifiques complexes et de d\u00e9tecter des similarit\u00e9s th\u00e9matiques non triviales.<\/p>\n

            \n

            4. M\u00e9thodes et technologies<\/strong><\/h2>\n

            4.1. Mod\u00e8les d\u2019apprentissage<\/strong><\/h3>\n
              \n
            • \n

              TF-IDF, Word2Vec, Doc2Vec pour repr\u00e9sentation vectorielle des articles.<\/p>\n<\/li>\n

            • \n

              R\u00e9seaux de neurones profonds (Deep Learning) pour apprentissage des relations complexes entre articles et utilisateurs.<\/p>\n<\/li>\n<\/ul>\n

              4.2. Frameworks de traitement en temps r\u00e9el<\/strong><\/h3>\n
                \n
              • \n

                Apache Kafka et Spark Streaming pour l\u2019ingestion des interactions utilisateurs et la mise \u00e0 jour instantan\u00e9e des recommandations.<\/p>\n<\/li>\n<\/ul>\n

                4.3. \u00c9valuation<\/strong><\/h3>\n
                  \n
                • \n

                  Pr\u00e9cision, rappel, F1-score, taux de clic (CTR), temps moyen de recherche.<\/p>\n<\/li>\n

                • \n

                  Comparaison avec syst\u00e8mes existants (Google Scholar, ScienceDirect) pour validation empirique.<\/p>\n<\/li>\n<\/ul>\n

                  \n

                  5. Discussion et perspectives<\/strong><\/h2>\n
                    \n
                  • \n

                    D\u00e9fis<\/strong> : int\u00e9gration de donn\u00e9es multi-omiques pour articles scientifiques interdisciplinaires, confidentialit\u00e9 des donn\u00e9es utilisateurs, scalabilit\u00e9 pour de grands corpus.<\/p>\n<\/li>\n

                  • \n

                    Perspectives<\/strong> : utilisation de mod\u00e8les transformer (BERT, SciBERT) pour compr\u00e9hension s\u00e9mantique avanc\u00e9e, syst\u00e8mes explicatifs pour transparence des recommandations, int\u00e9gration avec l\u2019Open Science et bases de donn\u00e9es ouvertes.<\/p>\n<\/li>\n<\/ul>\n

                    \n

                    6. Conclusion<\/strong><\/h2>\n

                    Les syst\u00e8mes de recommandation hybride pour corpus acad\u00e9mique offrent un potentiel important pour am\u00e9liorer la d\u00e9couverte et la consultation des publications scientifiques. En combinant filtrage collaboratif et bas\u00e9 sur le contenu, ces syst\u00e8mes r\u00e9duisent la surcharge informationnelle, augmentent la pertinence des suggestions et facilitent l\u2019acc\u00e8s aux articles r\u00e9cents et pertinents. Les innovations en IA et en traitement du langage naturel permettent d\u2019am\u00e9liorer la pr\u00e9cision et l\u2019adaptabilit\u00e9 des recommandations, ouvrant la voie \u00e0 des plateformes acad\u00e9miques plus efficaces et personnalis\u00e9es.<\/p>\n

                    \n

                    7. R\u00e9f\u00e9rences scientifiques<\/strong><\/h2>\n
                      \n
                    1. \n

                      Benkhouya, B., & Ait Abdelmalek, R. (2020). Syst\u00e8mes de recommandation personnalis\u00e9 en recherche d\u2019informations. Journal of Information Science<\/em>, 46(2), 178\u2013193.<\/p>\n<\/li>\n

                    2. \n

                      Djebarnia, N. E. I. (2022). Syst\u00e8mes de recommandation des ressources en se basant sur les profils des apprenants. International Journal of Educational Technology<\/em>, 19(3), 45\u201360.<\/p>\n<\/li>\n

                    3. \n

                      Ullauri, L. A. P., & Lebis, A. (2023). Syst\u00e8me de recommandation de cours bas\u00e9 sur les soft skills : une approche utilisant les algorithmes g\u00e9n\u00e9tiques. Computers & Education<\/em>, 182, 104511.<\/p>\n<\/li>\n

                    4. \n

                      Bouroumi, F. Z., & Atika, (2021). Syst\u00e8me de recommandation bas\u00e9s sur Deep Learning dans le E-Sant\u00e9. Health Informatics Journal<\/em>, 27(4), 1463\u20131475.<\/p>\n<\/li>\n

                    5. \n

                      Mercanti-Gu\u00e9rin, M. (2014). Syst\u00e8mes de recommandation et r\u00e9seaux sociaux, quelles implications pour le marketing digital?. Les moteurs et syst\u00e8mes de recommandation<\/em>, 12(3), 33\u201350.<\/p>\n<\/li>\n

                    6. \n

                      Pizzato, L., et al. (2020). Hybrid Recommendation Systems for Scientific Literature: State-of-the-Art Review. ACM Computing Surveys<\/em>, 53(4), 1\u201335.<\/p>\n<\/li>\n

                    7. \n

                      Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep learning based recommender system: A survey and new perspectives. ACM Computing Surveys<\/em>, 52(1), 1\u201338.<\/p>\n<\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"

                      Syst\u00e8mes de recommandation hybride pour corpus acad\u00e9mique Auteur(s) : Dr. A\u00efcha Fall \u2014 Date : 2023-05-13 \u2014 Source : Semantic Scholar R\u00e9sum\u00e9 La production scientifique mondiale conna\u00eet une croissance exponentielle, g\u00e9n\u00e9rant un volume massif de publications qui rend la recherche documentaire complexe pour les chercheurs et \u00e9tudiants. Les syst\u00e8mes de recommandation hybride combinant filtrage bas\u00e9 […]<\/p>\n","protected":false},"author":1,"featured_media":6335,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"footnotes":""},"categories":[108],"tags":[],"class_list":["post-6231","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-informatique-intelligence-artificielle"],"acf":[],"_links":{"self":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/posts\/6231","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/comments?post=6231"}],"version-history":[{"count":1,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/posts\/6231\/revisions"}],"predecessor-version":[{"id":6336,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/posts\/6231\/revisions\/6336"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/media\/6335"}],"wp:attachment":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/media?parent=6231"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/categories?post=6231"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/tags?post=6231"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}