1. content.
py (Modèle basé sur le contenu)
Le modèle basé sur le contenu se concentre sur les caractéristiques des films eux-mêmes,
comme leur genre, leur langue, leur durée, etc., pour faire des recommandations. Il repose sur
l'idée que si un utilisateur a aimé un film avec certaines caractéristiques (par exemple, genre
"Action" et langue "Anglais"), il est probable qu'il aime aussi d'autres films ayant des
caractéristiques similaires.
Comment ça fonctionne :
Input : Le modèle prend en entrée les informations sur les films (comme le titre, le
genre, la langue, la durée, etc.).
Processus :
o Il utilise une technique comme la similarité cosinus pour mesurer la proximité
entre les films en fonction de leurs caractéristiques.
o Par exemple, si un utilisateur aime un film d'action en anglais, le modèle va
trouver d'autres films d'action en anglais et les recommander.
Sortie : Il génère une liste de films similaires à un film donné basé sur ses
caractéristiques.
Exemple d'explication :
Dans le fichier content.py, j'ai créé un modèle qui analyse les films en fonction de leurs
caractéristiques (comme le genre et la langue). Lorsque l'utilisateur sélectionne un film, le modèle
recherche des films similaires en fonction de ces caractéristiques et génère une liste de
recommandations. Ce modèle fonctionne bien pour les utilisateurs qui ont des préférences
spécifiques concernant les caractéristiques d'un film.
2. collaborative.py (Modèle collaboratif)
Le modèle collaboratif repose sur l'idée que si deux utilisateurs ont aimé des films similaires
dans le passé, ils auront probablement des goûts similaires pour d'autres films. Ce type de
recommandation ne prend pas en compte les caractéristiques des films eux-mêmes, mais
plutôt les préférences des utilisateurs.
Comment ça fonctionne :
Input : Le modèle prend les évaluations des utilisateurs pour différents films (par
exemple, des évaluations IMDb, ou des évaluations internes des utilisateurs).
Processus :
o Le modèle peut utiliser des techniques comme l'algorithme des voisins les
plus proches (K-Nearest Neighbors - KNN) ou des matrices de facteurs (SVD
- Singular Value Decomposition).
o Le but est de prédire les films qu'un utilisateur aimerait en fonction des
évaluations des utilisateurs similaires.
Sortie : Il génère une liste de recommandations en fonction des évaluations
d'utilisateurs similaires.
Exemple d'explication :
Dans collaborative.py, le modèle prend en compte les notes des utilisateurs pour prédire
quels films un utilisateur pourrait aimer. Par exemple, si un utilisateur a aimé un certain film,
et que d'autres utilisateurs ayant des goûts similaires ont aimé d'autres films, ces films seront
recommandés à l'utilisateur. Ce modèle est utile lorsqu'il y a beaucoup de données
d'interaction entre les utilisateurs (par exemple, les évaluations des films).
3. hybrid.py (Modèle hybride)
Le modèle hybride combine les deux modèles ci-dessus (basé sur le contenu et collaboratif)
pour tirer parti des avantages des deux. Cela permet d'améliorer la précision des
recommandations en combinant les informations sur les caractéristiques des films et les
préférences des utilisateurs.
Comment ça fonctionne :
Input : Le modèle prend en entrée les informations sur les films (comme dans le
modèle basé sur le contenu) ainsi que les évaluations des utilisateurs (comme dans le
modèle collaboratif).
Processus :
o Le modèle effectue une fusion des deux recommandations : une partie des
recommandations est basée sur les caractéristiques des films et l'autre partie
sur les interactions entre utilisateurs.
o Un facteur alpha permet de contrôler l'importance relative de chaque méthode.
Par exemple, si alpha = 0.5, le modèle donnera autant de poids aux
recommandations basées sur le contenu qu'aux recommandations
collaboratives.
Sortie : Il génère une liste combinée de films recommandés, tirant parti des deux
approches.
Exemple d'explication :
Dans hybrid.py, j'ai combiné les deux modèles précédents pour améliorer la qualité des
recommandations. Ce modèle permet d'éviter les limitations de chaque approche en les
fusionnant. Par exemple, si un film a un genre similaire à un film apprécié par l'utilisateur
mais que ce film n'a pas beaucoup d'évaluations, la recommandation sera tout de même
effectuée grâce à la méthode collaborative. L'alpha permet de personnaliser l'importance de
chaque méthode.
Résumé global et fonctionnement ensemble :
1. Modèle basé sur le contenu : Utilise les caractéristiques des films pour recommander
des films similaires.
2. Modèle collaboratif : Utilise les évaluations des utilisateurs pour recommander des
films en fonction des préférences d'utilisateurs similaires.
3. Modèle hybride : Combine les deux approches pour offrir des recommandations plus
précises et robustes, en contrôlant l'importance de chaque modèle grâce au paramètre
alpha.
En combinant ces deux types de modèles, l'approche hybride permet de réduire les faiblesses
de chaque méthode et d'améliorer la qualité des recommandations, en tirant parti à la fois des
données sur les films et des préférences des utilisateurs.
