Les Systèmes De Recommandation Basés Sur La Méthode Explicable

Abstract

Ce mémoire s’intéresse à l’intégration des méthodes explicables (XAI – eXplainable Artificial Intelligence) dans les systèmes de recommandation, afin de concilier performance algorithmique et transparence des décisions. Les systèmes de recommandation, bien que largement utilisés, fonctionnent souvent comme des « boîtes noires », rendant leurs décisions difficiles à interpréter. Cette opacité peut nuire à la confiance des utilisateurs et poser des problèmes éthiques ou réglementaires. Dans ce travail, nous avons implémenté plusieurs approches de recommandation explicables, notamment la régression linéaire avec TF-IDF, les forêts aléatoires, et les règles d’association à l’aide de l’algorithme FP-Growth. Les résultats obtenus sur un jeu de données réel (avis d’hôtels) ont permis d’analyser le compromis entre précision et interprétabilité. Nous avons également exploré l’apport de techniques comme LIME et SHAP pour expliquer les prédictions de modèles complexes. Les conclusions mettent en évidence l’intérêt d’une IA explicable dans les systèmes de recommandation, tant pour renforcer la confiance des utilisateurs que pour répondre aux exigences de transparence dans des domaines critiques tels que la santé, la finance ou l’éducation.