Les systèmes de recommandation sont des systèmes qui font des recommandations aux utilisateurs sur la base des données que les utilisateurs ont saisies dans le système. Plus un utilisateur a fourni de données, plus ces systèmes peuvent être précis. En outre, les données soumises par des utilisateurs individuels contribuent à améliorer le système dans son ensemble, en générant des informations qui peuvent être utilisées pour faire des recommandations à d’autres utilisateurs. Les systèmes de recommandation sont généralement vus sur des sites tels que les sites de critiques de films et de télévision et ceux qui ont un grand inventaire d’articles de vente au détail qui seraient fonctionnellement impossibles à parcourir en examinant chaque article.
Ces systèmes peuvent interagir avec les utilisateurs de différentes manières. L’un est un service destiné aux utilisateurs qui recherchent plus de choses qui pourraient les intéresser, comme des lectures supplémentaires, des émissions de télévision ou des jeux vidéo. Dans ces systèmes, l’utilisateur génère une liste de « J’aime » et « Je n’aime pas » et le système essaie de prédire comment l’utilisateur votera sur des choses sur lesquelles il ou elle n’a pas encore voté. S’il pense que quelque chose aurait une note élevée, il le suggère à l’utilisateur.
Les systèmes de recommandation bien conçus apprennent de leurs erreurs. Un système peut recommander The Sound of Music parce qu’un utilisateur aime Willy Wonka et la chocolaterie. L’utilisateur peut sélectionner des options telles que « J’aime ça » ou « Je n’aime pas ça ». Si l’utilisateur n’aimait pas The Sound of Music, le système pourrait en prendre note et affiner davantage l’algorithme utilisé pour générer des recommandations. Plus les données sont accumulées, plus les recommandations seront utiles.
Les sites de vente au détail utilisent des systèmes de recommandation pour inciter les gens à faire des achats impulsifs. Le système prend note des articles achetés et recommande des articles connexes et utiles. Par exemple, on peut demander à quelqu’un qui achète un appareil photo s’il souhaite acheter un chargeur, un étui pour appareil photo, des filtres et des objectifs supplémentaires. On pourrait dire à quelqu’un qui achète un livre sur la théorie féministe que d’autres acheteurs de ce titre apprécient également un autre titre connexe. Ces types de systèmes de recommandation permettent un marketing personnalisé qui est très susceptible d’attirer les utilisateurs.
Ces systèmes reposent sur un filtrage collaboratif des données, dans lequel les données d’un grand nombre d’utilisateurs sont organisées de manière significative. Cela permet au site d’établir des connexions qui ne seraient pas apparentes autrement, améliorant ainsi la qualité des recommandations. Les utilisateurs qui ne souhaitent pas participer peuvent généralement modifier les options de leurs paramètres utilisateur, mais ils réduiront la qualité des recommandations qu’ils reçoivent car le système ne peut pas apprendre des préférences de l’individu, mais uniquement de l’opinion collective des autres utilisateurs.