Qu'est-ce qu'un algorithme de recommandation ?
Un algorithme de recommandation est un programme qui sélectionne et classe automatiquement des contenus (vidéos, articles, produits, musiques, publications) en fonction de ce qu'il prédit être le plus susceptible d'intéresser un utilisateur. Il cherche à proposer des contenus correspondant aux goûts de chacun à partir de ses comportements passés et de ceux d'utilisateurs semblables.
Ces systèmes répondent à un problème d'abondance : une plateforme propose des millions d'options, bien plus que ce qu'une personne peut parcourir. La recommandation fait le tri. Elle améliore souvent l'expérience, mais elle sert aussi les objectifs économiques des plateformes, dont le modèle repose sur l'attention et la publicité (voir notre dossier sur les réseaux sociaux).
Comment fonctionnent-ils, étape par étape
- Collecte des signaux : clics, temps de visionnage, défilement, likes, partages, achats, recherches, mais aussi appareil, heure et localisation.
- Génération de candidats : parmi des millions de contenus, l'algorithme présélectionne quelques centaines ou milliers d'éléments plausibles.
- Classement (ranking) : un modèle attribue à chaque candidat un score de probabilité (va-t-il cliquer, regarder jusqu'au bout, acheter ?).
- Filtrage et ajustements : retrait des contenus interdits, règles de diversité, mise en avant de nouveautés ou de contenus sponsorisés.
- Boucle de rétroaction : la réaction de l'utilisateur alimente les données, et le cycle recommence.
Les principales techniques
Le filtrage collaboratif
Principe : « les personnes qui ont aimé ce que vous aimez ont aussi aimé ceci ». L'algorithme compare les utilisateurs entre eux (ou les produits entre eux) sans analyser le contenu lui-même. C'est efficace, mais cela fonctionne mal pour un nouvel utilisateur ou un nouveau contenu sans historique : c'est le problème du « démarrage à froid ».
Le filtrage basé sur le contenu
L'algorithme analyse les caractéristiques des éléments (genre, thème, durée, mots-clés, auteur) et recommande des contenus proches de ceux déjà appréciés. Il risque toutefois d'enfermer l'utilisateur dans un registre trop étroit.
Les modèles hybrides et l'apprentissage profond
Les grandes plateformes combinent ces approches grâce à l'intelligence artificielle : réseaux de neurones capables d'intégrer des milliers de signaux, analyse automatique des images, du son et du texte, et apprentissage en temps réel.
L'évolution des algorithmes de recommandation
| Période | Étape | Ce qui change |
|---|---|---|
| Début des années 1990 | Premiers systèmes de recherche (Tapestry, GroupLens) | Naissance du filtrage collaboratif pour trier courriels et forums |
| Fin des années 1990 – 2000 | E-commerce (Amazon) | Recommandation « produit à produit » à grande échelle |
| 2006 – 2009 | Prix Netflix | Concours public qui popularise la factorisation de matrices |
| Années 2010 | Réseaux sociaux et vidéo | Fils d'actualité algorithmiques, apprentissage profond, optimisation de l'engagement |
| Fin des années 2010 – 2020 | Vidéo courte (TikTok) | Recommandation fondée sur les centres d'intérêt plutôt que sur les abonnements |
| Années 2020 | IA générative et régulation | Modèles de langage, recommandations conversationnelles, obligations de transparence |
La tendance de fond est le passage d'une logique de hiérarchisation de l'information (classer des résultats pour répondre à une recherche ou trier un fil chronologique) à une logique de recommandation proactive, où la plateforme décide de ce que l'on voit sans même qu'on le demande.
Quels objectifs optimisent-ils ?
Un algorithme optimise toujours une mesure choisie par ses concepteurs : temps passé, taux de clics, achats, abonnements, satisfaction déclarée. Ce choix est décisif. Si l'objectif est l'engagement, un contenu clivant ou émotionnel peut être favorisé parce qu'il fait réagir, même s'il dégrade la qualité du débat ou favorise la désinformation. Certaines plateformes intègrent désormais des mesures de qualité ou de satisfaction à long terme pour corriger ces effets.
Biais de popularité, bulles de filtre et autres effets
Le biais de popularité
Les contenus déjà populaires disposent de beaucoup de données : l'algorithme les recommande donc davantage, ce qui les rend encore plus populaires. Ce cercle vertueux pour quelques-uns rend invisibles les œuvres de niche. En librairie en ligne, des milliers de livres de qualité ne sont presque jamais proposés ; en musique, les artistes émergents peinent à percer. On parle d'effet « Matthieu » ou de « longue traîne » sous-exploitée.
Les bulles de filtre et chambres d'écho
En recommandant ce qui ressemble à ce que l'on a déjà aimé, l'algorithme peut réduire la diversité des points de vue. L'ampleur réelle de cet effet fait débat : les études montrent des résultats variables selon les plateformes et les usages.
Les biais hérités des données
Entraînés sur des données historiques, les modèles reproduisent des déséquilibres existants : sous-représentation de certains créateurs, stéréotypes, préférence pour des formats dominants.
Les effets sur les créateurs
Les créateurs dépendent de la visibilité offerte par l'algorithme. Un changement de paramètres peut bouleverser audience et revenus, et pousser à adapter les contenus aux formats favorisés.
Transparence, contrôle et régulation
Comprendre pourquoi un contenu est recommandé reste difficile. Dans l'Union européenne, le Digital Services Act (DSA) impose aux très grandes plateformes d'expliquer les principaux paramètres de leurs systèmes de recommandation, de proposer au moins une option non fondée sur le profilage, d'évaluer les risques systémiques et d'ouvrir certaines données aux chercheurs. La protection des données personnelles encadre aussi la collecte des signaux. Des audits indépendants cherchent à mesurer les effets réels sur la diversité et la désinformation.
Côté utilisateur, plusieurs gestes aident à reprendre la main : effacer ou mettre en pause l'historique, utiliser le bouton « pas intéressé », choisir un fil chronologique quand il existe, suivre volontairement des sources variées.
Questions fréquentes
Comment fonctionne un algorithme de recommandation ?
Il collecte des signaux sur l'utilisateur (clics, temps de visionnage, achats, likes) et sur les contenus, puis calcule pour chaque contenu un score de probabilité d'intérêt. Les contenus aux meilleurs scores sont classés et affichés en premier, et chaque nouvelle réaction de l'utilisateur ajuste les prédictions suivantes.
Qu'est-ce que le biais de popularité ?
C'est la tendance des algorithmes à recommander surtout les contenus déjà populaires, parce qu'ils disposent de plus de données à leur sujet. Les œuvres de niche, comme de nombreux livres ou artistes peu connus, deviennent presque invisibles, ce qui renforce la concentration de l'audience.
Qui a créé les algorithmes de recommandation ?
Il n'y a pas d'inventeur unique. Le filtrage collaboratif apparaît au début des années 1990 avec des projets de recherche comme Tapestry (Xerox PARC) et GroupLens. Les systèmes actuels sont conçus par des équipes d'ingénieurs et de data scientists au sein des plateformes.
Qu'est-ce qu'une bulle de filtre ?
Une bulle de filtre désigne la situation où un utilisateur ne voit plus que des contenus conformes à ses goûts et opinions passés, car l'algorithme les privilégie. L'expression a été popularisée par Eli Pariser en 2011. Son ampleur réelle fait débat parmi les chercheurs.
Peut-on désactiver les recommandations personnalisées ?
En partie. Dans l'Union européenne, le Digital Services Act oblige les très grandes plateformes à proposer au moins une option de fil non fondée sur le profilage. On peut aussi effacer son historique, signaler qu'un contenu ne nous intéresse pas ou limiter la collecte de données dans les paramètres.
À retenir
Les algorithmes de recommandation trient l'abondance de contenus en prédisant ce qui nous intéressera. Nés du filtrage collaboratif des années 1990, ils reposent aujourd'hui sur l'apprentissage profond. Leurs objectifs (souvent l'engagement) et leurs biais, comme le biais de popularité, façonnent l'accès à l'information et à la culture, d'où l'importance de la transparence et de la régulation.