Un algorithme de recommandation est le programme qui décide, en coulisses, de ce que l'on vous propose de regarder, d'écouter, de lire ou d'acheter : la série suggérée à la fin d'un épisode, la rubrique « les clients ont aussi acheté » d'une boutique en ligne, la playlist générée chaque semaine par une application musicale ou le fil d'actualité d'un réseau social. Son rôle consiste à trier un catalogue souvent immense pour n'en montrer qu'une petite sélection jugée pertinente pour une personne précise, à un moment donné. Pour y parvenir, il s'appuie sur des données de comportement (ce que vous avez consulté, aimé, ignoré ou acheté), sur les caractéristiques des contenus eux-mêmes et sur les habitudes d'autres utilisateurs qui vous ressemblent. Devenu un rouage central du commerce en ligne et des plateformes de divertissement, cet outil offre un vrai confort, puisqu'il évite de chercher une aiguille dans une botte de foin, mais il soulève aussi des questions sur la protection de la vie privée, sur l'enfermement dans ses propres goûts et sur la transparence des choix qui nous sont présentés. Cette définition explique son principe, ses grandes méthodes, ses usages et ses limites.

Qu'est-ce qu'un algorithme de recommandation ? Définition simple

Un algorithme, au sens informatique, est une suite d'instructions précises qui transforme des informations d'entrée en un résultat. Dans le cas d'un algorithme de recommandation, l'entrée est un ensemble de traces laissées par l'utilisateur et de descriptions des contenus disponibles, et le résultat est une liste ordonnée de suggestions, du plus probable au moins probable. Concrètement, le système attribue à chaque élément du catalogue une sorte de score de pertinence pour chaque personne, puis affiche ceux qui obtiennent les meilleures notes. Les premiers systèmes reposaient sur des règles simples écrites à la main, du type « si la personne achète une imprimante, proposer des cartouches ». Les outils actuels s'appuient de plus en plus sur le machine learning, c'est-à-dire l'apprentissage automatique, une branche de l'intelligence artificielle dans laquelle le programme découvre lui-même des régularités dans de grandes masses de données au lieu de suivre des consignes figées. L'algorithme ne « comprend » donc pas vos goûts au sens humain du terme : il repère des corrélations statistiques entre des comportements et en déduit ce qui a le plus de chances de vous intéresser, avec une marge d'erreur qui reste toujours présente.

Schéma animé du fonctionnement d'un algorithme de recommandation : les traces de l'utilisateur alimentent un modèle qui produit des suggestions, puis les réactions de l'utilisateur affinent le calcul Comment naît une recommandation 1. Vos traces Pages consultées Achats Notes et « j'aime » Temps passé 2. Le modèle compare et calcule un score par contenu 3. Pour vous Suggestion 1 Suggestion 2 Suggestion 3 4. Vos réactions affinent le calcul
Le cycle d'un algorithme de recommandation : vos traces nourrissent un modèle, qui classe le catalogue, et vos réactions aux suggestions servent à l'améliorer.

Des recommandations présentes partout au quotidien

On croise un algorithme de recommandation bien plus souvent qu'on ne le pense. Les plateformes de vidéo à la demande s'en servent pour composer la page d'accueil de chaque abonné, jusqu'au choix de la vignette affichée pour un même film. Les services de musique en streaming l'utilisent pour enchaîner les morceaux et créer des sélections personnalisées. Les boutiques en ligne proposent des produits complémentaires ou similaires à ceux que l'on regarde, tandis que les réseaux sociaux et les plateformes de vidéos courtes ordonnent leur fil d'actualité selon ce qui retient le plus l'attention de chacun. Les sites d'information mettent en avant des articles « susceptibles de vous intéresser », les applications de rencontre suggèrent des profils, les plateformes d'emploi signalent des offres et les applications de cartographie recommandent des restaurants ou des itinéraires. Même la publicité en ligne repose sur des mécanismes voisins, qui choisissent l'annonce la plus adaptée à un internaute. Ce point commun révèle un même problème à résoudre : face à une abondance de choix impossible à parcourir entièrement, il faut un filtre automatique qui fasse un premier tri à la place de l'utilisateur, en espérant qu'il corresponde à ses envies.

Illustration d'un algorithme de recommandation qui analyse des données pour suggérer des contenus personnalisés

Comment fonctionne un algorithme de recommandation ? Les données utilisées

Tout algorithme de recommandation commence par la collecte de données. Celles-ci concernent d'abord l'utilisateur : historique de navigation, achats passés, contenus regardés jusqu'au bout ou abandonnés, recherches tapées, clics dans un courriel, notes attribuées, parfois aussi des informations déclaratives comme l'âge, la langue ou la localisation approximative. Elles concernent ensuite les contenus du catalogue, décrits par des attributs : genre d'un film, acteurs, durée, prix et marque d'un produit, thème et auteur d'un article. Enfin, le contexte joue un rôle croissant : heure de la journée, appareil utilisé (téléphone ou télévision), saison, voire disponibilité des stocks pour un commerçant. Toutes ces informations sont rassemblées puis nettoyées, car elles sont souvent incomplètes ou bruitées, avant d'alimenter un modèle prédictif, c'est-à-dire une représentation mathématique capable d'estimer la probabilité qu'une personne apprécie un contenu qu'elle n'a pas encore vu. Les systèmes modernes se mettent à jour très régulièrement, parfois presque en temps réel : chaque nouvelle interaction vient corriger les estimations, ce qui permet de suivre l'évolution des goûts, de repérer une envie passagère ou de réagir à l'arrivée de nouveautés dans le catalogue.

Données explicites et données implicites

Les spécialistes distinguent deux grandes familles de signaux. Les données explicites sont celles que l'utilisateur fournit volontairement pour exprimer son avis : une note sur cinq étoiles, un pouce levé ou baissé, un avis rédigé, l'ajout d'un produit à une liste d'envies. Elles sont précieuses car leur sens est clair, mais elles restent rares, la plupart des gens ne prenant pas le temps de noter ce qu'ils consomment. Les données implicites, à l'inverse, sont déduites du comportement : le fait de regarder une vidéo jusqu'à la fin, de revenir plusieurs fois sur une fiche produit, de passer rapidement un morceau ou de faire défiler un contenu sans s'y arrêter. Elles sont abondantes mais plus ambiguës, car un clic ne signifie pas toujours que l'on a aimé, et un film regardé en entier a pu l'être par un autre membre du foyer. Les algorithmes combinent donc les deux sources en leur accordant des poids différents. Cette distinction explique aussi pourquoi certaines plateformes insistent pour que l'on crée des profils séparés au sein d'une famille ou pour que l'on indique quelques préférences dès l'inscription : plus le signal est propre, plus la qualité des suggestions progresse.

Quelles sont les grandes méthodes d'algorithme de recommandation ?

Il n'existe pas un seul algorithme de recommandation mais plusieurs familles de méthodes, souvent combinées. Le filtrage collaboratif part du principe que des personnes ayant eu des goûts semblables par le passé continueront à apprécier les mêmes choses : il compare les historiques des utilisateurs entre eux, sans avoir besoin de savoir de quoi parle un contenu. Le filtrage basé sur le contenu raisonne à l'inverse à partir des caractéristiques des éléments : si vous avez aimé plusieurs romans policiers nordiques, on vous proposera d'autres livres partageant ces attributs. Les approches hybrides mélangent ces deux logiques pour compenser leurs faiblesses respectives, et ce sont elles qui équipent la plupart des grandes plateformes. S'y ajoutent des méthodes plus simples, comme la mise en avant des contenus les plus populaires ou les plus récents, utiles lorsque l'on ne sait encore rien d'un visiteur, et des approches contextuelles qui tiennent compte du moment ou du lieu. Les systèmes les plus avancés s'appuient aujourd'hui sur des réseaux de neurones capables de traiter simultanément des milliers de signaux, mais l'idée de fond reste la même : estimer une affinité entre une personne et un contenu, puis classer.

MéthodePrincipePoint fortLimite
Filtrage collaboratifComparer les goûts d'utilisateurs semblablesDécouvertes inattendues, aucun besoin de décrire les contenusInefficace pour un nouveau contenu ou un nouvel utilisateur
Filtrage basé sur le contenuProposer des éléments aux attributs proches de ceux déjà appréciésFonctionne même avec peu d'utilisateursSuggestions répétitives, peu de surprise
Méthode hybrideCombiner plusieurs approchesRésultats plus fiables et plus variésPlus complexe et coûteuse à mettre au point
PopularitéMettre en avant les contenus les plus consultésSimple, utile pour un visiteur inconnuAucune personnalisation, favorise les succès déjà établis
Recommandation contextuelleTenir compte de l'heure, du lieu ou de l'appareilSuggestions adaptées à la situationDemande des données supplémentaires parfois sensibles

Le filtrage collaboratif expliqué simplement

Le principe du filtrage collaboratif se comprend bien avec un exemple. Imaginons un tableau dont les lignes sont des spectateurs et les colonnes des films, chaque case contenant la note donnée par une personne à un film. Ce tableau est en grande partie vide, puisque personne n'a tout vu : le travail de l'algorithme consiste justement à deviner les cases manquantes. Pour cela, il cherche les spectateurs dont les notes ressemblent le plus à celles d'Alice, par exemple Bruno, qui a adoré et détesté les mêmes films qu'elle. Si Bruno a beaucoup aimé un film qu'Alice n'a pas encore regardé, ce film devient un bon candidat pour lui être proposé. On peut aussi raisonner à partir des films plutôt que des personnes : deux films souvent appréciés par les mêmes spectateurs sont considérés comme proches, d'où la célèbre rubrique « ceux qui ont aimé ceci ont aussi aimé cela ». Sur de très grands catalogues, cette comparaison directe devient trop lourde, et l'on utilise des techniques mathématiques dites de factorisation de matrices, qui résument chaque utilisateur et chaque contenu par quelques facteurs cachés (une préférence pour l'action, pour les films d'auteur, pour les comédies familiales) sans que personne n'ait eu à les nommer.

Infographie animée du filtrage collaboratif : un tableau de notes montre qu'Alice et Bruno ont des goûts proches, si bien que le film aimé par Bruno est recommandé à Alice Film 1Film 2Film 3Film 4 AliceBrunoChloé 5 4 1 ? ★★★ 5 5 1 5 1 2 5 1 goûtsproches Notes sur 5 données par trois spectateurs Bruno a adoré le film 4 : l'algorithme le propose à Alice
Le filtrage collaboratif : comme Alice et Bruno ont noté les mêmes films de façon semblable, le film 4 apprécié par Bruno devient une recommandation pour Alice.

Pourquoi les plateformes utilisent-elles un algorithme de recommandation ?

Pour une entreprise, un algorithme de recommandation répond à plusieurs objectifs. Le premier est d'aider l'utilisateur à s'orienter dans un catalogue trop vaste pour être parcouru : sans tri, des milliers de films, de produits ou de morceaux resteraient invisibles, et le visiteur repartirait sans avoir trouvé ce qu'il cherchait. Le deuxième est commercial : des suggestions pertinentes augmentent les chances qu'une visite se termine par un achat, qu'un abonné continue de regarder ou qu'un lecteur ouvre un autre article, ce que les professionnels appellent l'engagement. Le troisième tient à la fidélisation, car un service qui semble « connaître » ses utilisateurs leur donne l'impression d'être compris et les incite à revenir. Ces systèmes permettent aussi de mieux exploiter la longue traîne, c'est-à-dire la masse de contenus peu connus qui, pris un par un, attirent peu de monde, mais qui trouvent leur public lorsqu'ils sont proposés aux bonnes personnes. Enfin, l'analyse des réactions aux recommandations renseigne l'entreprise sur ce qui plaît, sur les produits souvent achetés ensemble ou sur les tendances émergentes, des informations utiles pour ajuster son offre, ses stocks ou ses campagnes de communication par courriel et par notification.

Quelles sont les limites d'un algorithme de recommandation ?

Aussi performant soit-il, un algorithme de recommandation présente des faiblesses bien identifiées. La première est le problème du démarrage à froid : face à un nouvel utilisateur dont il ne sait rien, ou à un nouveau contenu que personne n'a encore consulté, le système manque de données et se rabat souvent sur des suggestions génériques. La deuxième est l'effet de bulle de filtre, une expression popularisée au début des années 2010 pour décrire l'enfermement possible dans ses propres goûts : à force de proposer ce qui ressemble à ce que l'on aime déjà, l'algorithme réduit la diversité des découvertes, ce qui pose question lorsqu'il s'agit d'information et de débat public. La troisième concerne les biais : un système entraîné sur des données passées reproduit les déséquilibres qu'elles contiennent, avantage les contenus déjà populaires et peut défavoriser certains créateurs. S'y ajoute le choix de ce que l'on optimise : un algorithme réglé pour maximiser le temps passé peut privilégier les contenus les plus accrocheurs ou polémiques plutôt que les plus utiles. Pour limiter ces effets, les concepteurs introduisent volontairement de la variété, de la nouveauté et une part de hasard dans les listes proposées.

Données personnelles, transparence et contrôle

Parce qu'il se nourrit de traces de comportement, l'algorithme de recommandation touche directement à la vie privée. En Europe, le RGPD encadre la collecte et l'usage des données personnelles : information claire des personnes, base légale pour chaque traitement, droit d'accès et d'effacement, consentement pour certains traceurs. Le règlement européen sur les services numériques, souvent appelé DSA, a ajouté des obligations de transparence sur les paramètres des systèmes de recommandation et impose notamment aux très grandes plateformes de proposer au moins une option qui ne repose pas sur le profilage, par exemple un fil classé par ordre chronologique. Les modalités concrètes évoluent régulièrement, il est donc utile de consulter les réglages de chaque service. Côté utilisateur, plusieurs gestes permettent de reprendre la main : consulter et effacer son historique, signaler qu'un contenu ne vous intéresse pas, créer des profils séparés, désactiver la personnalisation publicitaire ou explorer volontairement des rubriques inhabituelles. Les entreprises, de leur côté, recourent à l'anonymisation des données et à des audits réguliers. Ces questions prennent une nouvelle dimension avec l'arrivée d'assistants conversationnels fondés sur l'intelligence artificielle générative, qui formulent désormais des conseils personnalisés en langage naturel et rendent plus difficile encore de savoir sur quelles données repose une suggestion.