SYSTEME DE RECOMMANDATION DES REPAS EN

SANTE ALIMENTAIRE BASE SUR LE FILTRAGE

HYBRIDE

I
Table des matières
RÉSUMÉ. ................................................................................................................................... 1

Introduction ................................................................................................................................ 2

I. Etat de l’art .......................................................................................................................... 3

II. Architecture Générale Du Système ..................................................................................... 4

III. Démarche Utilisée et proposition des algorithmes pour la recommandation .................. 8

III.1 Démarche .................................................................................................................... 8

III.2 Proposition des pseudo algorithmes de recommandation............................................... 8

Conclusion ................................................................................................................................ 10

Références Bibliographiques.................................................................................................... 11

ANNEXES ............................................................................................................................... 12

II
 RÉSUMÉ
Les systèmes de recommandation diététique basés sur le modèle hybride sont une approche
innovante qui combinent les avantages des modèles collaboratifs et contenu pour offrir des
recommandations personnalisées et précises en matière de nutrition. Dans cet article, nous
intégrons à la fois les caractéristiques individuelles des utilisateurs (âge, sexe, taille, poids,
préférences alimentaires, allergies alimentaires) et les caractéristiques nutritionnelles des
aliments (glucide, lipide, protéine, énergie) pour les systèmes de recommandation. Cette notion
permet non seulement d’apporter une solution au problème du démarrage à froid mais aussi de
manipuler des informations incomplètes concernant les utilisateurs du système de
recommandation. Le système de recommandation a été construit suivant 02 approches :
l’approche sémantique qui effectue un raisonnement basé sur le contenu et qui exploite la
sémantique des données afin de générer de nouvelles recommandations et l’approche
collaboratif basé sur les préférences des utilisateurs. La suite du document présente
l’architecture du système et la méthodologie appliquée. Enfin, nous décrivons un exemple de
notre méthodologie dans le cadre d’un système de recommandation de repas africains.

LES MOTS-CLÉS : systèmes de recommandation, modèle hybride, filtrage collaboratif.

1
 Introduction
Avec les défis croissants liés à la prévalence des maladies chroniques telles que l'obésité,
le diabète, l’hypertension, le cancer et les maladies cardiaques ; il est devenu impératif de faire
des choix alimentaires sains et équilibrés. Dès lors, la conception de systèmes de
recommandation est devenue un axe de recherche très important. Ces systèmes sont largement
utilisés dans les plateformes de commerce en ligne et tendent à se développer dans de nombreux
secteurs. Sans remplacer l’humain, un système de recommandation l’aide dans ses choix en lui
faisant des suggestions. Il appartient à l’humain, de l’utilisateur novice à l’expert aguerri, de
suivre les propositions qui lui sont faites par le système de recommandation, de s’inspirer de
ces propositions tout en les accommodant, ou alors de ne pas en tenir compte.

Cet article propose un cadre générique et indépendant d’un domaine métier spécifique
pour concevoir un système de recommandation couvrant les spécificités suivantes : au regard
d’un ensemble d’items(repas), d’utilisateurs et de notes attribuées ou non aux items par les
utilisateurs, le système de recommandation sera en capacité de faire des propositions pertinentes
à l’utilisateur. Pour cela, après avoir présenté un état de l’art, des méthodes de recommandation
et des problématiques qui s’y rapportent en section 1, nous décrivons l’architecture du système
de recommandation en section 2, et enfin nous proposons un pseudo algorithme de
recommandation en section 3.

2
 I. Etat de l’art

Sans prétendre à une totale exhaustivité, cette section s’efforce de présenter succinctement un
état de l’art des méthodes de recommandation proposées dans la littérature s’inscrivant dans le
cadre précédemment décrit. Ces méthodes peuvent être divisées en trois familles :

1. Les méthodes basées sur le contenu (Pazzani, Billsus, 2017) consistent essentiellement
à comparer les attributs des objets avec les attributs d’intérêt de l’utilisateur actif ;
2. Les méthodes basées sur des principes de filtrage collaboratif (Schafer et al., 2018)
reposent sur la conjecture que les opinions des autres utilisateurs peuvent être utilisées
pour prédire les préférences des autres utilisateurs, et sur l’hypothèse que si des
utilisateurs ont les mêmes préférences sur certains objets alors ils auront également les
mêmes préférences sur d’autres objets ;
3. Et enfin les méthodes hybrides qui combinent les deux précédentes approches de
recommandation dans le but de bénéficier des avantages de chacun d’eux tout en
éliminant la majeure partie de leurs inconvénients (Claypool, et al., 2019).

Ces travaux de recherche illustrent la diversité des approches utilisées pour développer des
systèmes de recommandation. Ils mettent l'accent sur l'utilisation de données utilisateur, telles
que l’âge, le sexe, le poids, les préférences individuelles et les besoins nutritionnels spécifiques,
pour fournir des recommandations alimentaires adaptées à chaque individu.

3
 II. Architecture Générale Du Système
Nous présenterons l’architecture générale de notre système en décrivant sa logique et ses
principaux processus. Suivra ensuite la méthode utilisée où nous examinerons en détail chacun
des composants de notre système.

Figure 1 : architecture générale du système

4
Description du processus de fonctionnement de l’architecture générale du système :

1. Source de données : elle représente la collecte des informations provenant de

différentes sources, telles que les préférences alimentaires des utilisateurs et les données
nutritionnelles.
2. Recherche du profil de l’utilisateur actif : le système identifie le profil de l’utilisateur
actuellement en interaction avec le système. Cela peut inclure des informations sur ses
préférences alimentaires, ses allergies et son état de santé.
3. Recherche des utilisateurs similaires : le système compare le profil de l’utilisateur
actif avec d’autres profils d’utilisateurs pour trouver des similitudes. Cela permet
d’identifier des utilisateurs ayant des goûts et des besoins similaires.
4. Recommandations passées basées sur le profil : le système examine les
recommandations précédemment fournies à l’utilisateur actif en fonction de son profil.
Ces recommandations peuvent provenir d’interactions antérieures avec le système.
5. Recommandations passées des autres utilisateurs : le système tient compte des
recommandations fournies à d’autres utilisateurs similaires. Cela permet d’élargir la
base de connaissances pour des suggestions plus variées.
6. Filtrage et appariement des recommandations : les recommandations sont filtrées et
adaptées en fonction du profil de l’utilisateur actif et des retours d’expérience d’autres
utilisateurs similaires.
7. Items recommandés : le système présente les aliments, les recettes ou les régimes
recommandés à l’utilisateur actif.
8. Feedback de l’utilisateur : l’utilisateur donne un retour d’expérience sur les
recommandations (par exemple, s’il a aimé ou non). Ce feedback est utilisé pour ajuster
le profil de l’utilisateur actif.
9. Reconstruction du profil de l’utilisateur actif : le profil de l’utilisateur est mis à jour
en fonction du feedback et des nouvelles interactions.
10. Mise à jour dans les bases de données : les informations mises à jour sont stockées
dans les bases de données pour améliorer les futures recommandations.

Il est important de noter que cette architecture générale combine différentes approches pour
fournir des recommandations diététiques personnalisées. Les avantages incluent une meilleure
précision et une large recommandation des repas.

5
 MODÉLISATION par UML

UML est l’abréviation de « Unified Modeling language », c’est un langage unifié pour la
modélisation. UML est une méthode utilisant des graphismes pour la création de modèles
orientés objet vers de la conception et de modélisation de logiciels orientés objet.

Nous allons représenter quelques diagrammes courants à partir de notre système :

Figure 2 : diagramme de cas d’utilisation

6
Figure 3 : diagramme de classe du module des repas.

7
 III. Démarche Utilisée et proposition des pseudo algorithmes pour
la recommandation
III.1 Démarche
Les étapes de base pour la mise en œuvre du système de recommandation :

• Collecte de données : Nous avons rassemblé un ensemble de données de repas avec

des informations nutritionnelles et sur les utilisateurs.
• Prétraitement des données : Nous avons organisé les données collectées dans une
structure appropriée, par exemple, un tableau.
• Calcul de la similarité : Nous avons choisi une métrique de similarité (la similarité
cosinus) pour mesurer la similarité entre les repas en fonction de leurs
caractéristiques nutritionnelles et également entre les utilisateurs en fonction de
leurs préférences.
• Implémentation du système de recommandation : Ici, nous avons écrit une fonction
qui prend en compte les préférences nutritionnelles de l'utilisateur et recommander
des repas similaires en fonction de la similarité calculée.
• Interface utilisateur : Nous avons envisagé d'intégrer le système dans une interface
utilisateur, une interface conviviale pour les utilisateurs.

III.2 Proposition des pseudo algorithmes de recommandation

Nous avons utilisé 02 approches pour la recommandation :

1. Approche collaborative
Cet algorithme illustre de manière abstraite le processus de recommandation de repas basée sur
le filtrage collaboratif en calculant les similarités entre les utilisateurs et en recommandant des
repas en fonction des évaluations des autres utilisateurs.

Algorithme : FiltrageCollaboratifDesRepas
Début
Collecte des données sur les préférences alimentaires des utilisateurs
Création d'une matrice de similarité basée sur les préférences des utilisateurs
Pour chaque utilisateur U
Pour chaque repas R
Si l'utilisateur U n'a pas encore noté le repas R

8
 Prédire la note de l'utilisateur U pour le repas R en se basant sur les notes des
utilisateurs similaires
Fin Si
Fin Pour
Fin Pour
Recommander les repas les mieux notés à chaque utilisateur
Fin

2. Approche basée sur le filtrage du contenu

Cet algorithme décrit de manière abstraite le processus de recommandation de repas basée sur
le contenu en identifiant les caractéristiques des repas et en recommandant des repas similaires
à celui aimé par l'utilisateur.

Algorithme : FiltrageContenuDesRepas
Début
Collecte des informations sur les caractéristiques des repas disponibles
Collecte des informations sur l’utilisateur actif u
Pour chaque utilisateur U
Si utilisateur U = u
Collecte les repas aimés par l’utilisateur u
Fin si
Pour chaque repas aimé par l’utilisateur u
Recherche des similitudes entre ces repas aimés et les autres repas disponibles
Fin Pour
Fin Pour
Recommande les repas ayant une similarité élevée
Fin

La combinaison de ces deux types d’algorithmes forme l’approche hybride mixte.

9
 Conclusion
En conclusion, la proposition d'un système hybride combinant différentes approches de
recommandation est assez générique pour être expérimentée dans des domaines d’application
différents. La combinaison des 2 types de filtrages est intéressante pour permettre d’initialiser
le système et apporte une réponse à la question du démarrage à froid. Cette combinaison permet
également de prendre en compte à la fois les préférences des utilisateurs et les caractéristiques
des repas à recommander, offrant ainsi une approche plus complète dans le processus de
recommandation.

Malgré ces résultats prometteurs, notre système présente encore des défis. Une des limites
actuellement est que l’identification des descripteurs et l’attribution des notes à ces derniers
sont réalisées manuellement. Cette question peut faire l’objet de perspectives à ce travail.

10
Références Bibliographiques
(Mabiama, 2021) : Gustave MABIAMA | Thèse de doctorat/PhD | Université de
Limoges/Université de Douala | Evaluation De L’état Nutritionnel Des Personnes Agées Au
Cameroun Et Facteurs Associes. 2021.

(Grow, 2010) : N. Grow. Connaissances, attitudes et comportements liés au diabète et à ses

principaux facteurs de risque. 2010.

(Kiawi et al., 2006): Kiawi, Brand P. et Nejdl W. "Survey and evaluation of food
recommendation systems and techniques”. 2006.

(Pr Mrabet, 2018) : Pr M. Mrabet. Perspectives pour la prévention des maladies chroniques."
La Revue d'Épidémiologie et de Santé Publique. 2018.

(Pazzani 2017) : “A Framework for Collaborative, Content-Based and Dernographic Filtering”.

Artificiat Intelligence Review.

(Claypool, et al., 2019) : A. Gokhale, D. Netes, M. Claypool, T. Miranda, et M. Sartin (2019).

“Combining Content-Based and Collaborative Filters in an Online Newspaper”. In Proceedings
of ACMSIGIR Workshop on Recommender Systems.

(C.P. Kouebou, 2013): C.P. Kouebou. Une revue des études de composition des plats
traditionnels camerounais : Macronutriments et minéraux. Elsevier. 2013.

11
 ANNEXES

Présentation de l’application :
• Accueil

12
• Formulaire d’Inscription

• Formulaire d’authentification

13
• Formulaire d’appel d’aide en cas de difficulté liée à l’application

• Interface d’accueil en mode connecté

14
• Interface de recommandation des repas

15