TP : Systèmes de Recommandation Hybride

Objectif du TP

L'objectif de ce TP est de comprendre et d'implémenter un système de recommandation hybride qui combine deux approches courantes : le filtrage collaboratif et le filtrage basé sur le contenu. Vous utiliserez les données du célèbre dataset MovieLens pour recommander des films à des utilisateurs en fonction de leurs préférences et de leur historique.

Compétences acquises

• Manipulation de données avec Pandas.
• Utilisation des algorithmes de filtrage collaboratif et basé sur le contenu.
• Construction d’un profil utilisateur à partir de ses préférences.
• Recommandation d’articles (films) basés sur des similitudes.

Pré-requis

• Connaissance de base de Python et Pandas.
• Familiarité avec les bibliothèques scikit-learn et Surprise.

Étapes du TP

1. Chargement des données MovieLens

Dans cette étape, vous allez charger deux fichiers du dataset MovieLens 100k :

• u.data : contient les évaluations (ratings) des utilisateurs pour les films.
• u.item : contient les informations sur les films (titre, genres, etc.).

Exercice :

• Chargez les fichiers et créez un DataFrame df_ratings avec les colonnes user_id, item_id, rating, et timestamp.
• Créez un autre DataFrame movies_df qui contient les informations sur les films (movie_id, title, et features).

2. Filtrage collaboratif (Collaborative Filtering)

L’objectif est de recommander des films à un utilisateur basé sur les évaluations similaires des autres utilisateurs.

Exercice :

• Implémentez un modèle de filtrage collaboratif basé sur la similarité des utilisateurs (cosine similarity) à l'aide de la bibliothèque Surprise.
• Divisez les données en un ensemble d'entraînement et de test, puis entraînez le modèle.
• Calculez la performance du modèle en utilisant la RMSE et la MAE.

3. Filtrage basé sur le contenu (Content-Based Filtering)

Vous allez maintenant implémenter une méthode qui recommande des films basés sur les genres préférés d’un utilisateur.

Exercice :

• Transformez les genres des films en une matrice de TF-IDF (utilisez TfidfVectorizer).
• Demandez à l’utilisateur de sélectionner ses genres préférés.
• Utilisez ces préférences pour calculer les similarités entre les genres sélectionnés et les films disponibles.

4. Système hybride

Le système de recommandation hybride combine les deux approches :

• Recommandations collaboratives basées sur les notes des utilisateurs similaires.
• Recommandations basées sur le contenu qui correspondent aux préférences de l’utilisateur.

Exercice :

• Récupérez les films recommandés via le filtrage collaboratif pour un utilisateur donné.
• Filtrez ces films en fonction des préférences de genres de l’utilisateur (utilisez la similarité calculée à l'étape précédente).
• Affichez les 5 meilleurs films recommandés avec leurs titres et genres.

5. Personnalisation

Ajoutez une fonctionnalité qui permet à l’utilisateur de sélectionner dynamiquement ses genres préférés via une entrée.

Exercice :

• Permettez à l'utilisateur de spécifier ses genres préférés (par exemple : Action, Comedy, etc.).
• Adaptez les recommandations pour qu'elles correspondent à ces genres.