Variante Normal
Normal · Shiny · Holo
Algorithme de recommandation
Un algorithme de recommandation sélectionne et classe des objets susceptibles d’intéresser une personne à partir de contenus, de comportements, de relations et d’objectifs définis par le service.
- Deck
- Social Media Culture
- Monde
- Monde 2 - Mystères & Exploration
- Zone principale
- Agora Sociale
- Récompense
- +70 XP
Description
Un algorithme de recommandation n’est pas une formule unique qui « connaît » les goûts. C’est généralement une chaîne de systèmes. La première étape récupère parmi des millions d’objets quelques centaines de candidats plausibles. Une seconde prédit plusieurs résultats pour chacun : clic, durée de visionnage, satisfaction, abonnement, partage ou abandon. Un classement combine ces estimations avec fraîcheur, diversité, sécurité et objectifs du produit avant d’afficher une petite sélection. Les méthodes historiques comprennent le filtrage collaboratif — recommander ce qu’apprécient des personnes aux comportements similaires — et l’analyse du contenu — rapprocher genres, mots, sons, créateurs ou caractéristiques visuelles. Les systèmes modernes hybrides apprennent des représentations complexes. Le papier publié par Google sur YouTube en 2016 décrit par exemple deux réseaux neuronaux, l’un pour générer des candidats, l’autre pour les classer à grande échelle. Cette architecture éclaire un principe, pas le code actuel complet de YouTube. TikTok explique que son fil For You utilise interactions de l’utilisateur, informations de la vidéo et certains paramètres. Regarder jusqu’au bout, ignorer, rechercher, commenter ou partager fournit des signaux de forces différentes. Un nouveau compte et une nouvelle vidéo posent le problème du cold start : le système doit explorer avant de pouvoir personnaliser. Il injecte donc parfois des contenus incertains, non parce qu’il lit les pensées, mais parce qu’il mène continuellement des expériences. La recommandation crée une boucle de rétroaction. Ce qui est montré a davantage de chances d’être consommé ; cette consommation devient ensuite la preuve que le choix était bon. Les contenus jamais exposés ne peuvent produire le même signal. Les producteurs adaptent titres, durées et sujets aux métriques, modifiant le catalogue que la machine apprendra demain. Optimiser le clic n’équivaut pas à optimiser le bien-être ou la vérité. Les plateformes ajoutent enquêtes de satisfaction, pénalités, exclusions et règles de diversité, mais ces choix restent normatifs. Une « bulle de filtres » n’est pas automatique ni identique pour tous ; l’exposition dépend aussi des abonnements, recherches, médias et relations hors ligne. Polarisation, découverte et sérendipité doivent être mesurées plutôt que supposées. Le rabbit hole mène au filtrage collaboratif, aux embeddings, au cold start, aux bandits exploration-exploitation, aux fonctions objectif et aux audits. La question essentielle n’est pas seulement « comment l’algorithme fonctionne-t-il ? », mais « quelle action essaie-t-il de prédire, quelle valeur la plateforme lui attribue-t-elle et quels contenus disparaissent lorsque cette prédiction devient le gardien de l’attention ? »
À savoir
Un algorithme de recommandation sélectionne et classe des objets susceptibles d’intéresser une personne à partir de contenus, de comportements, de relations et d’objectifs définis par le service.
Sources
Pour aller plus loin
- Étudier les deux étages du système YouTube ↗
Pour comprendre la différence entre trouver des candidats et ordonner la sélection finale.
- Tester les explications de TikTok ↗
Pour relier une recommandation concrète aux interactions, recherches et propriétés de contenu annoncées par la plateforme.
