Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Filtrage collaboratif multi-critères
Extension du filtrage collaboratif classique qui considère simultanément plusieurs dimensions d'évaluation pour prédire les préférences utilisateur et améliorer la précision des recommandations personnalisées.
Agrégation de préférences
Processus mathématique combinant les évaluations multiples d'un utilisateur sur différents critères pour produire un score global de préférence utilisé dans le classement des recommandations.
Matrice d'utilité multi-dimensionnelle
Structure de données représentant les évaluations des utilisateurs selon plusieurs axes de préférence, permettant une modélisation fine des goûts complexes au-delà du simple score de satisfaction.
Pondération de critères
Technique assignant des coefficients d'importance relatifs à chaque dimension d'évaluation pour refléter la hiérarchie des préférences individuelles et influencer l'algorithme de recommandation.
Fonction d'utilité multi-objet
Modèle mathématique transformant les évaluations sur plusieurs critères en une valeur unique d'utilité, intégrant les compromis et trade-offs entre différentes dimensions de préférence.
Espace de préférences
Représentation vectorielle multidimensionnelle où chaque axe correspond à un critère d'évaluation, permettant de visualiser et calculer les similarités entre profils utilisateur complexes.
Profil utilisateur vectoriel
Représentation mathématique composite des préférences d'un utilisateur sous forme de vecteur multidimensionnel, où chaque composante encode l'intensité de préférence pour un critère spécifique.
Recommandation Pareto-optimale
Ensemble d'items ne pouvant être améliorés sur un critère sans dégrader la performance sur au moins un autre critère, constituant les meilleures solutions dans un contexte multi-objectifs.
Système hybride multi-critères
Architecture combinant plusieurs techniques de recommandation (collaborative, content-based, knowledge-based) tout en gérant explicitement les multiples dimensions de préférence utilisateur.
Analyse de sensibilité des critères
Méthode évaluant l'impact des variations dans l'importance relative de chaque critère sur les recommandations finales, permettant d'identifier les dimensions les plus influentes.
Normalisation de préférences
Processus de standardisation des échelles d'évaluation des différents critères pour les rendre comparables et mathématiquement manipulables dans un cadre multi-dimensionnel cohérent.
Modèle de préférence additif
Approche où l'utilité globale d'un item est calculée comme la somme pondérée des utilités partielles sur chaque critère, supposant l'indépendance des dimensions de préférence.
Rétroaction implicite multi-critères
Inférence automatique des préférences utilisateur sur plusieurs dimensions à partir des comportements observés (clics, temps de consultation, achats) sans évaluation explicite directe.
Découpage de critères
Technique de segmentation des dimensions de préférence en sous-catégories plus granulaires pour affiner la personnalisation et capturer des nuances dans les goûts utilisateur.
Cartographie des préférences
Visualisation graphique des relations entre utilisateurs et items dans l'espace multi-critères, révélant des clusters de préférences et des patterns de comportement complexes.
Élicitation de préférences
Processus interactif d'acquisition des poids et importances relatives des différents critères auprès des utilisateurs, souvent via des questions comparatives ou des méthodes analytiques.
Fonction de scoring composite
Algorithme mathématique combinant les scores individuels de chaque critère en une métrique unique de pertinence, intégrant des paramètres de personnalisation et des contraintes de domaine.
Divergence de préférences
Mesure quantifiant l'écart entre les préférences multi-critères d'un utilisateur et les caractéristiques d'un item recommandé, utilisée pour optimiser l'adéquation globale.