Professional Documents
Culture Documents
Filtrage collaboratif
8.1. Introduction
8.1.1. Motivation et application des systmes de filtrage
8.1.1.1. Principe gnral
Laccs linformation seffectue lheure actuelle selon diffrentes modalits :
la recherche active de documents via des systmes de recherche dinformation, la
rception de documents par des tierces personnes, la rencontre fortuite dun
document par navigation sur Internet par exemple, etc.
Parmi les systmes informatiques permettant ce type dactivits, les systmes de
filtrage sinscrivent parmi ceux permettant la rception de documents jugs
intressants. Par opposition aux moteurs de recherche dinformation, qui requirent
de lutilisateur une activit de formulation systmatique de son besoin, les systmes
de filtrage prennisent ce besoin dinformation et permettent lacheminement au
cours du temps des documents intressants. Ainsi les premiers permettent la
dcouverte ponctuelle de documents, les seconds leur rception permanente. En ce
sens, les deux types de systmes se compltent.
Etre inform tant une ncessit professionnelle et citoyenne, recevoir des
informations ayant un certain niveau dintrt individuel permet chacun dapprendre,
danalyser, de critiquer toute nouvelle source dinformation. Ainsi recevant toute
nouveaut, lutilit du filtrage permet donc dviter de procder rgulirement une
242
Assistance intelligente la RI
Filtrage collaboratif
243
dautres sources. Le filtrage est bas sur des descriptions dindividus et de groupes,
souvent appeles profils. De tels profils reprsentent gnralement un ensemble de
thmes dintrts long terme.
Dans la figure 8.1, le filtrage dinformation commence avec des personnes (les
utilisateurs du systme de filtrage dinformation) qui ont des objectifs ou des dsirs
(exemple : tche professionnelle, passe-temps, etc.) relativement stables, longterme ou priodiques. Des groupes, aussi bien que des personnes peuvent tre
caractriss par de tels buts. Ceci amne des besoins rguliers dinformation
(exemple : tre jour sur un sujet) qui peuvent voluer lentement au cours du temps
au fur et mesure que les conditions, objectifs et connaissances changent. De tels
intrts engagent les utilisateurs dans un processus relativement passif de recherche
dinformation. Ce processus est ralis travers la reprsentation des besoins
en information par des profils ou des requtes destins au systme de filtrage
dinformation.
Figure 8.1. Modle gnral pour le filtrage dinformation, adapt de [BEL 92]
Dun autre ct, les producteurs de documents, qui sont souvent des institutions,
entreprennent de distribuer leurs produits ds quils sont gnrs. Pour accomplir
cette tche, on associe aux documents une reprsentation de leur contenu, qui est
ensuite compare aux profils. Les documents sont utiliss et valus en termes de
rponse aux besoins exprims. Cette valuation peut mener la modification des
profils et des domaines dintrt.
244
Assistance intelligente la RI
Approche
Trouver linformation
recherche
Livraison
Flux dynamique
Persistance
Personnalisation
Non personnalis
Analyse
du contenu
Non personnalis
Fonctionnalits
Non adaptatif
Non dynamique
A court terme
Sadapte au changement
du profil de lutilisateur
Filtre dynamiquement linformation
entrante
A long terme
Filtrage collaboratif
245
Figure 8.2. Filtrage bas sur le contenu : la prdiction de lopinion quun utilisateur aura
dun document donn, est calcule en rapprochant les thmes noncs par lutilisateur
comme constituant son profil, et les thmes extraits des documents par un processus
dindexation.
Figure 8.3. Filtrage collaboratif : la prdiction de lopinion quun utilisateur 0 aura dun
document donn, est calcule en rapprochant les valuations passes de lutilisateur des
valuations que dautres utilisateurs de la communaut ont donnes par le pass sur les
mmes documents.
246
Assistance intelligente la RI
Filtrage collaboratif
247
248
Assistance intelligente la RI
Filtrage collaboratif
249
tombant sur un bureau sur le chapitre le plus intressant. Donner des utilisateurs
laccs lhistoire dusage pass les laisse tirer profit des conseils subtiles que nous
employons gnralement pour prendre des dcisions de lecture ou de non lecture
dans le monde rel. Lusage agit ainsi en tant quindex linformation approprie
lintrieur de lobjet.
8.2.2. Architecture gnrale
Larchitecture gnrale dun systme de filtrage collaboratif sarticule autour de
deux fonctionnalits centrales : le calcul de la proximit entre les utilisateurs, et le
calcul de la prdiction de lvaluation quun utilisateur fera dun document. Sajoute
la fonctionnalit de mise jour perptuelle des profils dutilisateurs, au fur et
mesure de la collecte de leurs valuations.
Dans ce type de systme, o lutilisateur contribue de faon dcisive au bon
fonctionnement du systme dans son ensemble, on ne peut ngliger les fonctionnalits
interactives du systme. Les fonctionnalits indispensables sont les suivantes :
une interface permettant dvaluer un document ;
une interface permettant de visualiser les documents reus par filtrage.
Dautres fonctionnalits interactives peuvent exister, notamment celle permettant
aux utilisateurs deffectuer ce que lon appelle du filtrage actif : le terme filtrage
actif [MAL 95] traduit le fait que lutilisateur dcide, de sa propre initiative, denvoyer
des documents certains membres de la communaut. Cette possibilit peut savrer
trs utile lors de lamorage du systme, pour faire crotre les chances de
recoupement des profils dutilisateurs. En effet, un utilisateur qui reoit un document
envoy par un autre est amen lvaluer lui aussi ; la suite de cette valuation,
son propre profil et celui de lauteur du filtrage actif se recouperont ncessairement.
250
Assistance intelligente la RI
1
Ii
vi, j
jIi
Lvaluation prdit sur litem j pour lutilisateur actif a est une somme pondre
des valuations des autres utilisateurs :
n
pa , j = va + w( a, i )( vi , j vi )
i =1
o n est le nombre dutilisateurs dans la base de donnes qui ont un poids non nul, et
est un facteur de normalisation tel que la somme des valeurs absolues des poids fait 1.
Le poids w(a,i) est dtermin de faon variable, selon lalgorithme.
Les dtails de calcul de ces poids donnent lieu des algorithmes diffrents. Nous
prsentons ici lalgorithme bas sur la corrlation, et lalgorithme bas sur la
similarit de vecteurs.
Pour lalgorithme bas sur la corrlation (projet GroupLens [RES 94]), le poids
est calcul comme la corrlation entre les utilisateurs a et i, comme suit :
(va, j va )(vi, j vi )
w( a, i ) =
(va, j va )2 (vi, j vi )2
j
Filtrage collaboratif
251
o les sommes sur les j concernent les items pour lesquels la fois i et a ont donn
des valuations.
Pour lalgorithme bas sur la similarit des vecteurs, le poids est calcul comme
un cosinus entre les vecteurs forms par les valuations des utilisateurs, comme suit :
w( a, i ) =
va , j
vi , j
kI va,k kI vi,k 2
2
o les termes du dnominateur servent normaliser les valuations pour que les
utilisateurs qui ont valu plus ditems ne soient pas favoriss.
Des extensions ces algorithmes existent, notamment celles proposes par
Breese et al. [BRE 98] pour amliorer les performances de ces algorithmes (voir
article 25 section 2.2).
8.2.3.2. Algorithmes bass modle
Les algorithmes bass modle utilisent la base de donnes des valuations
des utilisateurs pour estimer ou apprendre un modle qui est alors utilis pour les
prdictions.
Du point de vue probabiliste, la tche de prdiction dune valuation peut tre
vue comme le calcul de la valeur espre dune valuation, tant donn ce que lon
sait dun utilisateur.
Supposons que les valuations se fassent sur une chelle dentiers de 0 m.
Alors la valeur prdite sera :
m
pa , j = E (va , j ) =
Pr(va, j = i va,k , k Ia )i
i =0
o la probabilit exprime est celle dont lutilisateur actif fera lvaluation particulire
i pour litem j compte tenu des valuations observes auparavant.
Nous prsentons ici deux modles probabilistes : le modle base de clusters, et
le modle base de rseau baysien.
Le modle base de clusters repose sur le principe que certains groupes ou types
dutilisateurs capturent un ensemble commun de prfrences et de gots. Etant
donn un tel groupe, les prfrences concernant les diffrents items (sous la forme
dvaluations) sont indpendantes.
252
Assistance intelligente la RI
Pr(vi C = c)
i =1
Filtrage collaboratif
253
arg max ai ( x ) wi
R{R0 , R1 }
&
&
&
prdiction du i-ime algorithme sur les n algorithmes qui votent sur x . Aprs cela,
le bon rsultat est montr lalgorithme, qui met alors jour les poids wi quil
associe aux autres algorithmes. Pour cela, il applique une stratgie qui fait dcrotre
les poids des algorithmes qui se sont tromps, et qui augmente ou laisse inchangs
les poids de ceux qui ont donn la bonne rponse.
On peut alors dfinir une prdiction binaire pour lutilisateur actif a sur litem j :
pa , j = arg max wa ,i (vi , j )
R{R0 , R1}
8.2.4. Difficults
Le filtrage collaboratif se base sur lhypothse que les gens la recherche
dinformation devraient pouvoir se servir de ce que dautres ont dj trouv et
valu. Cette approche rsout les problmes de lapproche base sur le contenu
smantique ; il devient possible de traiter nimporte quelle forme de contenu et de
diffuser des ressources non ncessairement similaires celles dj reues.
254
Assistance intelligente la RI
8.3.1. Tapestry
Le concept du filtrage collaboratif [MAL 95] a t lanc avec le projet Tapestry
Xerox Parc. La gestion des e-mails est sa motivation premire [GOL 92].
Limplication de lutilisateur nest pas limite fournir de simples jugements
binaires dacceptation ou de rejet [RES 94]. Il donne la possibilit de faire des
annotations en texte libre ou des apprciations dans le style Jai bien aim ou
Je dteste , ainsi les utilisateurs peuvent transmettre des jugements sur la valeur
des documents quils lisent. Les autres utilisateurs peuvent alors oprer des
recherches parmi ces documents non seulement sur la base de leur contenu, mais
galement sur la base des jugements quont ports dautres utilisateurs leur sujet.
Tapestry a aussi introduit la prise en compte de la confiance dans la source de
linformation. Le systme a souffert de deux problmes [MAL 95]. Le premier est la
taille de sa base dutilisateurs. Puisque Tapestry est base sur un systme
commercial de base de donnes, il ne peut tre fourni librement. De plus, il na pas
t conue pour lusage dun grand nombre de personnes gographiquement
distribues. Ces deux facteurs se combinent pour limiter la population dutilisateurs
potentiels aux chercheurs Xerox Parc. Cependant, cette population ne semblait pas
assez grande pour constituer une masse critique dutilisateurs et la grande majorit
des documents passaient sans annotations. Ainsi le systme souffrait dun manque
dinformations pour pouvoir fonctionner normalement.
Filtrage collaboratif
255
Le deuxime problme avec Tapestry est le moyen par lequel les utilisateurs
interagissent avec les filtres. Une interface commune exigeait des utilisateurs
dindiquer des requtes en un langage driv de SQL. Cette forme dinterface a t
un obstacle lexploration de nouveaux secteurs et a rendu difficile la visualisation
de linformation disponible.
Il nen demeure pas moins que Tapestry fut un des premiers systmes de filtrage
existants.
8.3.2. GroupLens
Plusieurs systmes se sont intresss aux articles newsgroups du Usenet, et le but
des premiers tait dvaluer la masse critique dutilisateurs que les technologies
disponibles permettaient de supporter, en permettant une large dispersion
gographique [MAL 95]. Un des rsultats les plus importants de ces travaux tait
dapporter la preuve que les lecteurs adhrent au concept et valuent des documents,
bien quaucune sorte de rcompense ou dincitation matrielle nait t offerte aux
utilisateurs de ces systmes.
GroupLens [MIL 97], systme exprimental de luniversit du Minnesota, est
lun des plus clbres et solides dans ce domaine. Il est semblable dans son esprit
Tapestry : les lecteurs sont appels noter les articles quils lisent sur une chelle
numrique de cinq niveaux. Le systme trouve alors des corrlations entre les
diffrents utilisateurs RI destimations et identifie des groupes dutilisateurs dont les
intrts sont semblables, et ensuite il emploie ces estimations pour prdire lintrt
que porteront les lecteurs chaque article.
GroupLens prolonge Tapestry de deux manires [RES 94] : dabord, Tapestry est
conu pour partager des valuations dans un mme lieu. Avec GroupLens, les
estimations sont rparties en plusieurs emplacements et son architecture est ouverte
la cration de nouveaux clients de newsgroups et serveurs destimation qui
emploieraient lvaluation dune manire diffrente. En second lieu, Tapestry ne
supporte pas de requtes globales. Les serveurs destimation qui ont t mis en place
pour GroupLens prennent en considration les estimations globales de plusieurs
experts, bases sur la corrlation de leurs estimations passes. Un lecteur na pas
besoin de voir lavance les valuations employer et na pas besoin de savoir qui
les valuations sont destines rellement. Dans GroupLens, les estimations fournies
sous un pseudonyme sont aussi utiles que celles qui sont signes.
Pour son valuation, la corrlation entre lvaluation faite par le systme et
lvaluation individuelle dun utilisateur aprs la lecture dun article, a t utilise.
256
Assistance intelligente la RI
8.3.3. Phoaks
Phoaks (people helping one another know stuff) est un systme exprimental
de reconnaissance, de correspondance et de redistribution automatiques de
recommandations sur les ressources web, extraits des messages des newsgroups de
Usenet [TER 87]. Il effectue une recherche contextuelle de mentions dURL dans
ces messages, qui dans 23 % des cas mentionnent des ressources web (sous forme
dURL), et 30 % de ces mentions sont des recommandations.
Phoaks compte toute mention comme recommandation si elle passe un certain
nombre de tests : (i) un message ne doit pas tre post plusieurs groupes en mme
temps, il devient alors trop gnral et ne peut tre assez proche thmatiquement de
lensemble des groupes ; (ii) si lURL fait partie de la signature de lexpditeur, il
nest pas considr comme recommandation, cest une forme dauto-promotion ;
(iii) si lURL apparat dans une partie entre quotes du message (inclus dans la
partie message dorigine dans une rponse un message), elle nest pas retenue.
Enfin, (iv) si le contexte textuel de lURL indique quil sagit dune recommandation
et quelle nest pas lobjet dune publicit, lURL est retenu et class.
Phoaks se diffrencie des autres systmes par la distinction quil fait entre les
rles de fournisseur et consommateur ; il prend ainsi en considration le fait que
seule une minorit dutilisateurs prend la peine dvaluer les ressources et de faire
partager leur opinions avec les autres. Aussi, la rutilisation des conversations en
ligne existantes comme source des recommandations ne demande aucune intervention
de la part des recommandeurs.
Filtrage collaboratif
257
8.3.4. Siteseer
Siteseer [RUC 97] est galement un systme de recommandation de pages web
qui utilise les bookmarks personnels et leur organisation en rpertoires pour prdire
et recommander des pages pertinentes. Il utilise chaque bookmark dutilisateur
comme une dclaration implicite dintrt pour le contenu, et le classement de ces
bookmarks comme une indication de cohrence smantique ou un regroupement
pertinent entre des sujets.
Au cours du temps, Siteseer apprend les prfrences et les catgories travers
lesquelles les utilisateurs peroivent le monde, et en mme temps, apprend pour
chaque page web, quelles sont les diffrentes communauts ou groupes daffinits
qui sy intressent. Siteseer gnre alors des recommandations organises et
contextualises en les dlivrant dans leur rpertoire dorigine.
Les bookmarks offrent un mcanisme de collecte dinformation sur les
prfrences, directement gr par lutilisateur, et qui ne requiert pas de comportement
258
Assistance intelligente la RI
8.3.5. Fab
Fab [BAL 87] est un systme hybride qui essaye de combiner les deux
approches : lapproche base sur le contenu smantique et lapproche collaborative
du filtrage pour en rcuprer les avantages et en rduire les inconvnients. La notion
de profil base sur lanalyse du contenu y est maintenue et les profils y sont
systmatiquement compars pour identifier les similarits entre utilisateurs. Un
utilisateur reoit un document soit parce quil correspond son profil soit parce quil
a t apprci par un autre utilisateur ayant un profil ressemblant.
Filtrage collaboratif
259
260
Assistance intelligente la RI
dans les index sites du jour , ou tenter de servir un utilisateur moyen, dont le
profil est la moyenne de lensemble des profils des utilisateurs. Les agents de
collecte permettent aussi didentifier les communauts dintrt mergentes, offrant
la possibilit dtablir des liens et des interactions entre des gens culturellement
proches.
Fab est un exemple-type de la combinaison des approches bases sur le contenu
smantique et collaborative dans les systmes de recommandation.
8.3.6. Referralweb
De nombreuses recherches ont montr que les rseaux de collaborateurs, de
collgues et damis sont parmi les canaux les plus efficaces de diffusion de
linformation et de lexpertise, dans les entreprises et les organisations. De ce fait,
les rseaux sociaux sont au moins aussi importants que la structure organisationnelle
officielle pour des tches de choix, de rsolution de problmes.
Une des raisons du succs des rseaux sociaux est la limite la quantit
dinformation quune personne voudrait ou pourrait rendre publique ; un expert dans
un domaine particulier est incapable dtaler toutes ses connaissances sur un sujet, et
ne voudrait pas rcrire des donnes dj publies chaque fois que des personnes
lui demanderaient de le faire. La recherche dune information dans ce cas se ramne
reconstituer le rseau social entre lexpert et une chane de contacts et de
rfrences personnelles, du chercheur lexpert. Cette chane de rfrences remplit
deux fonctions : elle fournit lexpert une raison pour accepter de rpondre au
demandeur, en explicitant leur relation (ayant un collaborateur en commun) et elle
fournit au demandeur un critre pour valuer la crdibilit de lexpert.
Referralweb [KAU 87] se prsente comme un systme interactif pour la
reconstruction, visualisation et la recherche de rseaux sociaux sur le web. Une
reconstruction manuelle de ces rseaux est certes possible mais risque dtre
frustrante et coteuse en termes de temps.
Un rseau social est modlis par un graphe o les nuds reprsentent des
personnes et les arcs une relation directe entre deux personnes. Il y a plusieurs
sources pour dterminer ces relations ; les utilisateurs peuvent tre appels
introduire la liste de leurs collgues proches, ou encore, on peut analyser les enttes
des mails. Cette dernire solution nest pas sans poser des problmes de confidentialit
et de scurit vidents. Pour Referralweb, les donnes sont rcupres sur le web. Il
utilise la co-occurrence de noms de personnes dans des fentres de proximit,
partir des home pages, des listes des coauteurs dans des publications et rfrences
des papiers, les changes denregistrements personnels dans les archives des
Filtrage collaboratif
261
262
Assistance intelligente la RI
Le systme de Maltz et Ehrlich est prsent comme un substitut au mail dans ces
situations. Il est intgr un systme de recherche dinformation et permet ses
utilisateurs dadresser des pointeurs aux personnes quils jugent intresses, sans
avoir interrompre leur session de recherche dinformation. Dun autre ct,
lensemble de ces changes est stock pour constituer une base de rfrences.
Dautres systmes dimportances variables sont disponibles et deviennent de plus
en plus populaires (Myyahoo, Amazon.com, Miningco.com, etc.). Ils offrent leurs
utilisateurs des possibilits de personnalisation dinterface, toutefois limites, ou leur
suggrent suivant leurs centres dintrts constats (explicitement ou implicitement)
des ressources qui pourraient les intresser.
Filtrage collaboratif
263
8.3.8.1. Lutilisateur
8.3.8.1.1. Son identification
Sepia
Select
Movielens
Trabble
Nom, prnom
Age, sexe, profession, code postal
Webmuseum
Moviecritic
Topouaibe
Amazon
Mybeer
IMDB
Gots de lutilisateur
Amazon
Sepia
Movielens
Moviecritic
Select
Sepia
Trabble
Mybeer
Amazon
Webmuseum
Movielens
Assistance intelligente la RI
Moviecritic
264
A chaque valuation
Tableau 8.4. Modalits de connexion au systme
Trabble
Amazon
Select
Sepia
Moviecritic
Movielens
Webmuseum
x
x
x
x
IMDB
Prdiction du systme
Topouaibe
Amazon
265
Moviecritic
Filtrage collaboratif
Nombre de votants
8.3.8.2.2. Le classement
Certains systmes offrent des vues globales sur la collection de documents dans
la communaut. Cela se concrtise dans Webmuseum, par un hit-parade des 4
uvres les plus ou les moins apprcies.
8.3.8.2.3. Les groupes
On distingue trois sortes de groupes :
tous les autres ;
ceux qui valuent de la mme faon ;
ceux qui se sont volontairement regroups (possibilit offerte par Movielens).
8.3.8.3. Lvaluation
8.3.8.3.1. Lergonomie
Select
Sepia
Les toiles
Le d
Le thermomtre
Moviecritic
Mtaphores
Amazon
x
x
266
Assistance intelligente la RI
Mybeer
Select
Menus droulants
Movielens
Amazon
Listes de choix
Trabble
Dispositifs interactifs
dvaluation
Webmuseum
Les chelles dvaluation sont toutes discrtes : il faut choisir une valeur soit
numrique, soit symbolique dans un ensemble prdfini (5 valeurs en gnral).
Topouaibe propose un systme dvaluation compltement diffrent.
En gnral, un seul critre dvaluation est possible : le point de vue global de
lutilisateur sur le document. Seul Cuisinenet propose une valuation plus dtaille.
Lors de lvaluation, le document valuer peut tre prsent. Cest le cas dans la
plupart des systmes. Notons la difficult que peuvent avoir les utilisateurs
dAmazon pour trouver ledit document dans le foisonnement dinformations. Dans
le cas de Select, il nest pas prsent : le systme propose une liste de documents
valuer faisant ainsi appel la mmoire de lutilisateur.
8.3.8.3.2. Le contrle de la dmarche de lvaluation
Lauthenticit de lvaluation est contrle soit en limitant sa frquence, soit par
lidentification du votant (rendue formelle par la validit de son adresse e-mail).
La dmarche dvaluation de la part de lutilisateur peut tre :
volontaire : de sa propre initiative, lutilisateur va chercher valuer le document
qui lui est prsent. Cest le cas de la plupart des systmes.
obligatoire : le systme oblige lutilisateur valuer des documents pour pouvoir
continuer utiliser le systme. Seul Webmuseum force cette valuation.
Lorsque lvaluation est associe lutilisateur, lvaluation est unique pour
chaque produit (avec ventuellement la possibilit de modifier). Au contraire
Topouaibe permet dvaluer un document jusqu une fois par heure, en se basant
sur la session puisque lvaluation est anonyme.
Filtrage collaboratif
267
Qualit de linformation
(lisibilit, fiabilit,
nouveaut, etc.)
La qualit de linformation
nest pas connue
La qualit de linformation
est connue via des
valuations dutilisateurs
Contexte de linformation
(domaine dintrt)
Lidentification du domaine
se fait gnralement par la
co-occurrence des termes
dans chaque document
Lidentification du domaine
se fait par la diffrence des
domaines dintrt des
utilisateurs
Effet entonnoir
8.5. Conclusions
8.5.1. Difficult dvaluation
Lvaluation des systmes de filtrage collaboratif prsente des difficults, dont
certaines sapparentent aux difficults dvaluation des systmes de recherche
dinformation, et dautres sont propres au filtrage collaboratif.
Evaluer un systme de recherche dinformation pose problme dans la mesure o
il est difficile dy intgrer lutilisateur, alors que cest lui qui en dernier ressort,
dcide de la qualit du service rendu par le systme. Ces difficults se retrouvent
bien videmment avec les systmes de filtrage collaboratif, mais ils sont dautant
plus aigus que le service rendu par ce type de systme doit svaluer au cours du
temps, tout au long de lexploitation du systme. En effet, pour lutilisateur, le
rapport entre le cot (son effort dvaluation) et le bnfice (les documents reus
268
Assistance intelligente la RI
8.6. Bibliographie
[BAL 97] BALABANOVIC M., SHOHAM Y., Fab: content-based, collaborative recommendation ,
Communications of the ACM, vol. 40, n 3, p. 66-72, mars 1997.
[BEL 92] BELKIN N.J., CROFT W.B., Information filtering and information retrieval: two sides
of the same coin? , Communications of the ACM, vol. 35, n 12, p. 29-38, dcembre 1992.
Filtrage collaboratif
269
[BRE 98] BREESE J.S., HECKERMAN D., KADIE C., Empirical analysis of predictive
algorithms for collaborative filtering , Proceedings of the Fourteenth Annual
Conference on Uncertainty in Artificial Intelligence, p. 43-52, juillet 1998.
[CRO 93] CROFT W.B., Knowledge-based and Statistical approaches to Text Retrieval ,
IEEE EXPERT, vol. 8, n 2, p. 8-12, avril 1993.
[DEL 00] DELGADO J., Agent-based Recommender Systems and Information Filtering on
the Internet, PhD. Thesis, Nagoya Institute of Technology, mars 2000.
[GOL 92] GOLDBERG D., NICHOLS D., OKI B.M., TERRY D., Using collaborative filtering
to weave an information Tapestry , Communications of the ACM, vol. 35, n 12, p. 6170, dcembre 1992.
[KAU 97] KAUTZ H., SELMAN B., SHAH M., Referral Web: Combining Social Networks and
Collaborative Filtering , Communications of the ACM, p. 63-65, vol. 40, n 3, mars 1997.
[MAL 95] MALTZ D., EHRLICH K., Pointing the way: active collaborative filtering ,
Proceedings of CHI95, p. 7-11, mai 1995.
[MIL 97] MILLER D., MALTZ J.L., HERLOCKER L.R, GORDAN A., RIEDL J.A., KONSTAN B.N.,
GroupLens: applying collaborative filtering to Usenet News , Communications of the
ACM, vol. 40, n 3, p. 77-87, mars 1997.
[PAL 97] PALME, J., Notes from the 5th DELOS Workshop 1997 in Budapest: Filtering
and Collaborative Filtering , http://www.iihe.ac.be/scimitar/J1297/delos-filtering-notesnov97.htm, novembre 1997.
[RES 94] RESNICK P., IACOVOU P., SUCHAK M., BERGSTROM P., RIEDL J., GroupLens: An
Open Architecture for Collaborative Filtering of Netnews , Proceedings of ACM
Conference on Computer Supported Cooperative Work, p. 175-186, 1994.
[RUC 97] RUCKER J., POLANCO M.J., Siteseer: personalized navigation for the Web ,
Communications of the ACM, vol. 40, n 3, p. 73-75, mars 1997.
[TER 97] TERVEEN L., HILL W., AMENTO B., MCDONALD D., CRETER J., Phoaks: a system
for sharing recommendations , Communications of the ACM, vol. 40, n 3, p. 59-62,
mars 1997.