Sommaire
- Qu’est-ce qu’un algorithme de recommandation ?
- Comment fonctionne un algorithme de recommandation ?
- Les 3 grandes familles d’algorithmes de recommandation
- Filtrage collaboratif : la méthode du Netflix Prize
- Filtrage basé sur le contenu : l’alternative quand les données manquent
- Les 3 étages d’un moteur moderne : le pipeline R-S-R
- IA générative et LLM : la nouvelle frontière de la recommandation
- DSA : ce que le droit européen change en 2026
- Avantages et limites : la face cachée des algorithmes
- Comment intégrer un système de recommandation dans votre business
- Ce que vous ne trouverez pas ailleurs
- Questions fréquentes
Netflix qui enchaîne les suggestions justes. Amazon qui devine l’accessoire manquant. Spotify qui compose la playlist du dimanche soir. Derrière ces petites magies, une même machine : les algorithmes de recommandation.
Un algorithme de recommandation est un programme qui prédit ce qu’un utilisateur va apprécier parmi des millions d’items, en analysant son comportement et celui des autres utilisateurs. Il trie, note, classe. Puis il décide, en quelques millisecondes, de ce que vous allez voir ensuite.
Ce guide couvre tout ce qu’il faut savoir sur les algorithmes de recommandation : leur fonctionnement, les trois grandes familles, l’architecture des moteurs modernes et ce qui change vraiment en 2026, entre IA générative et règlement européen DSA. Mis à jour en août 2026.
Points clés
- Les algorithmes de recommandation analysent vos données (clics, achats, visionnage) pour prédire ce qui va vous plaire.
- Trois familles dominent : filtrage collaboratif, filtrage basé sur le contenu, systèmes hybrides.
- Un moteur moderne repose sur 3 étages : retrieval, scoring, reranking.
- L’IA générative améliore la compréhension et l’explication des recommandations.
- Depuis février 2024, le règlement européen DSA impose transparence et option non personnalisée.
Lecture : ~10 min
Qu’est-ce qu’un algorithme de recommandation ?
Un algorithme de recommandation est un programme qui prédit les goûts d’un utilisateur à partir de ses interactions passées, puis compare ces signaux à ceux de millions d’autres profils pour classer un catalogue. Deux types de données alimentent ces systèmes :
- Les données explicites : ce que l’utilisateur déclare (notes, likes, avis, abonnements).
- Les données implicites : ce qu’il fait sans le dire (temps de lecture, clics, historique, ajouts au panier).
Les données implicites pèsent plus lourd qu’on ne le croit. Un like est rare, un scroll est permanent. Les moteurs modernes s’appuient donc massivement sur le comportement, pas sur les déclarations.
Comment fonctionne un algorithme de recommandation ?
Le fonctionnement des algorithmes de recommandation tient en quatre étapes, identiques d’un site à l’autre.
- Collecte : chaque action est enregistrée (page vue, produit acheté, vidéo regardée jusqu’au bout).
- Profilage : l’algorithme construit une représentation de vos goûts, souvent sous forme de vecteur de nombres.
- Scoring : il calcule un score d’affinité entre votre profil et chaque item du catalogue.
- Affichage : les meilleurs items sortent, ajustés par des règles business (nouveautés, marge, stocks).
Prenons Netflix. Vous finissez une série, le système note le genre, les acteurs, la durée des épisodes, votre moment de visionnage. Il compare ce profil à ceux de centaines de millions de comptes, puis classe les milliers de titres du catalogue selon votre affinité estimée. Le tout en moins d’une seconde.
Les modèles apprennent en continu : plus vous interagissez, plus la prédiction s’affine. Voilà pourquoi un compte Netflix de trois ans semble lire dans vos pensées.
Les 3 grandes familles d’algorithmes de recommandation
Tous les algorithmes de recommandation se rangent dans trois familles. Le tableau ci-dessous résume leurs forces et leurs faiblesses.
| Famille | Principe | Limite principale |
|---|---|---|
| Filtrage collaboratif | Les gens comme vous ont aimé ceci | Démarrage à froid pour les nouveaux utilisateurs |
| Filtrage basé sur le contenu | Vous avez aimé X, voici des items similaires | Faible diversité, sérendipité limitée |
| Systèmes hybrides | Combinaison des deux approches | Complexité de mise en œuvre |
Le choix dépend de vos données, pas de la mode. Pas d’historique utilisateur ? Le filtrage basé sur le contenu s’impose. Un historique riche ? Le collaboratif domine.
La plupart des plateformes empilent les approches, puis un modèle de classement arbitre. Nous y revenons avec le pipeline R-S-R.
Filtrage collaboratif : la méthode du Netflix Prize
Le filtrage collaboratif repose sur une hypothèse simple : deux personnes qui ont aimé les mêmes choses par le passé aimeront des choses similaires à l’avenir. Pas besoin de comprendre le contenu. Seules les interactions comptent.
Trois variantes existent :
- User-based : on cherche les utilisateurs au profil proche du vôtre, puis on recommande ce qu’ils ont aimé.
- Item-based : on compare les items entre eux, le fameux « les clients qui ont acheté X ont aussi acheté Y ».
- Factorisation de matrice : on projette utilisateurs et items dans un espace latent à quelques dizaines de dimensions, puis on prédit les notes manquantes.
La factorisation de matrice a fait la gloire du domaine. En 2006, Netflix lance un concours doté d’un million de dollars : améliorer de 10% la précision de son propre système. L’équipe gagnante, menée par Yehuda Koren, Robert Bell et Chris Volinsky, publie en 2009 dans IEEE Computer la méthode devenue référence, « Matrix Factorization Techniques for Recommender Systems ».
Le point faible reste le démarrage à froid. Un utilisateur sans historique, un produit sans interactions : la matrice est vide, la prédiction aussi. D’où l’intérêt de combiner avec une autre famille.
À retenir
- Le collaboratif excelle quand l’historique d’interactions est dense.
- La factorisation de matrice reste l’outil historique du domaine.
- Seul, il échoue sur les nouveautés et les nouveaux venus.
Filtrage basé sur le contenu : l’alternative quand les données manquent
Le filtrage basé sur le contenu ignore les autres utilisateurs. Il compare les items entre eux : un film avec le même réalisateur, un article avec les mêmes thèmes, un produit avec les mêmes attributs.
Chaque item est décrit par des caractéristiques. Pour du texte, on parle de TF-IDF ou, plus récemment, d’embeddings sémantiques : le contenu devient un vecteur, et la similarité se calcule par distance mathématique, comme dans les moteurs de recherche vectorielle.
Ses atouts sont réels. Pas de démarrage à froid : un nouvel article est recommandable dès sa publication. Et les recommandations s’expliquent facilement : « parce que vous avez lu un article sur X ».
Sa limite tient en un mot : monotonie. L’algorithme ressert toujours le même style. Sans dose de collaboratif ou de hasard maîtrisé, l’utilisateur s’ennuie, puis il part. La sérendipité reste son talon d’Achille.
Les 3 étages d’un moteur moderne : le pipeline R-S-R
Voici ce que personne ne dit dans les guides grand public : un système de production n’exécute pas un algorithme de recommandation unique, il enchaîne trois étages. Je propose de l’appeler le pipeline R-S-R, pour retrieval, scoring, reranking.
- Retrieval (génération de candidats) : parmi des millions d’items, on en sélectionne quelques centaines. Méthodes : filtrage collaboratif, similarité de contenu, popularité, règles métier. La vitesse prime.
- Scoring (classement fin) : un modèle plus coûteux, souvent un réseau de neurones, note chaque candidat avec précision. C’est ici que vivent les modèles deux-tours (two-tower), où utilisateur et item sont projetés dans le même espace vectoriel.
- Reranking (ajustement final) : on réinjecte les contraintes business : diversité, nouveauté, marge, exclusion de contenus sensibles. Un catalogue varié bat un catalogue parfaitement calibré sur la rétention.
Le retrieval garantit la fraîcheur, le scoring la pertinence, le reranking la santé du produit. Copier ce schéma, même à petite échelle, évite l’erreur classique : un seul modèle qui tente de tout faire et n’y arrive pas.
IA générative et LLM : la nouvelle frontière de la recommandation
La rencontre entre IA générative et algorithmes de recommandation change la donne à trois niveaux, et c’est récent.
D’abord, la compréhension du contenu. Les embeddings des grands modèles de langage remplacent les mots-clés : un article sur « la hausse des taux » se rapproche d’un post sur « le coût du crédit immobilier », sans partager un seul mot. La recommandation sémantique gagne en profondeur.
Ensuite, l’explication. Les LLM génèrent des phrases du type « parce que vous avez regardé X, cette série partage son rythme lent et son ambiance nordique ». Expliquer ses suggestions, c’est gagner la confiance. TikTok et YouTube testent ces encarts depuis 2024.
Enfin, la recommandation conversationnelle. L’utilisateur formule sa demande : « quelque chose de drôle, court, avec un bon twist ». Le système répond, affine, itère. Encore balbutiant, mais déjà déployé par les assistants IA du streaming.
Gare au mirage. Un LLM seul ne fait pas un bon moteur de recommandation : il hallucine, il est lent, il coûte cher à chaque appel. Les architectures sérieuses gardent le pipeline R-S-R et mobilisent le LLM en amont (compréhension) ou en aval (explication), jamais au milieu du scoring temps réel.
DSA : ce que le droit européen change en 2026
Angle rarement traité dans les guides sur les algorithmes de recommandation, pourtant décisif : depuis le 17 février 2024, le règlement européen sur les services numériques (DSA, règlement (UE) 2022/2065) encadre les systèmes de recommandation des plateformes.
Les obligations principales :
- Transparence : les plateformes doivent expliquer, dans des termes clairs, pourquoi un contenu est recommandé.
- Options non personnalisées : les utilisateurs doivent pouvoir désactiver le profilage et recevoir un fil classé par simple popularité ou par chronologie.
- Documentation des paramètres : les critères principaux du classement (temps de visionnage, clics, partages) doivent être rendus publics.
- Signalement : tout utilisateur doit pouvoir signaler un contenu recommandé qu’il juge illégal.
Le DSA vise d’abord les très grandes plateformes, au-delà de 45 millions d’utilisateurs mensuels dans l’UE. TikTok, YouTube, Instagram et LinkedIn ont tous ajouté des options « non personnalisé » à leurs interfaces. Mais le principe de transparence inspire déjà régulateurs nationaux et tribunaux, y compris pour des acteurs plus modestes.
Ajoutez le RGPD, et notamment son article 22 sur les décisions automatisées. Le profilage qui produit des effets juridiques ou affecte significativement l’utilisateur doit être encadré. Concrètement : si vos recommandations déterminent l’accès à un crédit ou à un emploi, le droit européen vous regarde de près.
À retenir
- Le DSA impose transparence et option non personnalisée depuis février 2024.
- Le RGPD, article 22, encadre le profilage à effets significatifs.
- Conformité rime avec documentation des critères, pas seulement avec qualité d’algorithme.
Avantages et limites : la face cachée des algorithmes
Côté business, les chiffres des algorithmes de recommandation parlent d’eux-mêmes. L’étude McKinsey « The value of getting personalization right », publiée en 2020, estime que la personnalisation génère 10 à 15% de revenus supplémentaires pour les entreprises qui la maîtrisent. Amazon attribue environ 35% de ses ventes à son moteur de recommandation. Todd Yellin, ancien vice-président produit de Netflix, répétait que 80% du contenu regardé sur la plateforme provient des suggestions, pas de la recherche.
Côté utilisateur, le tableau est plus sombre. Trois problèmes reviennent sans cesse.
La bulle de filtre : à force de ne montrer que ce qui plaît, l’algorithme enferme. Les contenus divergents disparaissent du fil, les opinions se durcissent. YouTube l’a appris avec les vidéos complotistes, dont la recommandation a amplifié la diffusion.
Le biais de popularité : les items déjà populaires reçoivent plus de visibilité, donc plus d’interactions, donc plus de popularité. Les pépites de longue traîne restent invisibles. Vertueux pour la métrique, vicieux pour la qualité.
L’addiction : le scoring optimise le temps passé, pas le bien-être. Les mécanismes de récompense variable, les mêmes que dans les machines à sous, retiennent l’attention.
Comment intégrer un système de recommandation dans votre business
Vous n’êtes pas Netflix. Vous pouvez quand même intégrer des algorithmes de recommandation, et rentabiliser. Voici la méthode en quatre étapes.
- Définir l’objectif : panier moyen, temps de session, taux de conversion, désabonnement. Un seul objectif principal, mesurable.
- Choisir la brique : solutions SaaS comme Algolia Recommend, Recombee ou Amazon Personalize, librairies open source comme TensorFlow Recommenders, Implicit ou Surprise, ou développement sur mesure.
- Nourrir les données : historique d’achat, pages vues, ajouts au panier, recherches. La propreté des données compte plus que la sophistication du modèle.
- Tester en continu : A/B test sur la page produit, taux de clic sur les blocs recommandés, panier moyen.
Le bon point d’entrée, dans 80% des cas : le bloc « produits similaires » ou « fréquemment achetés ensemble » sur la fiche produit. Simple à déployer, immédiatement mesurable, rarement décevant.
Si vous cherchez des repères méthodologiques, nos guides informatique couvrent le machine learning appliqué, et nos actualités high-tech suivent les évolutions des plateformes. Côté rentabilité, la catégorie business détaille les études de cas chiffrées.
Ce que vous ne trouverez pas ailleurs
Le pipeline R-S-R : la plupart des contenus décrivent des familles d’algorithmes comme si un moteur en utilisait une seule. En production, la chaîne retrieval, scoring, reranking structure tout. Gardez ce schéma en tête, il vous évitera des architectures ingérables.
La dimension juridique : aucun des guides populaires ne mentionne le DSA. C’est pourtant l’élément qui change concrètement votre feuille de route si vous opérez dans l’UE. Documentez vos critères, proposez une option non personnalisée, préparez-vous à expliquer vos choix.
La checklist de conformité, en 5 points :
- [ ] Critères de classement documentés (temps, clics, partages, popularité)
- [ ] Option fil non personnalisé accessible en un clic
- [ ] Explication des recommandations disponible pour l’utilisateur
- [ ] Mécanisme de signalement des contenus recommandés
- [ ] Revue RGPD du profilage à effets significatifs
Questions fréquentes
Qu’est-ce qu’un algorithme de recommandation ?
Un algorithme de recommandation est un programme qui prédit les contenus, produits ou services qu’un utilisateur appréciera, à partir de son historique et de celui des autres. Il alimente les suggestions de Netflix, Amazon, YouTube ou Spotify, en combinant données explicites (notes, likes) et implicites (temps de visionnage, clics).
Comment fonctionne le filtrage collaboratif ?
Le filtrage collaboratif compare les comportements : si deux utilisateurs ont aimé les mêmes choses par le passé, ce que l’un apprécie a de bonnes chances de plaire à l’autre. Il se décline en version user-based, item-based et factorisation de matrice. Sa limite principale est le démarrage à froid.
Qu’est-ce que le filtrage basé sur le contenu ?
Le filtrage basé sur le contenu recommande des items similaires à ceux déjà consommés, en comparant leurs caractéristiques : genres, mots-clés, attributs. Il fonctionne dès la publication d’un contenu, sans historique utilisateur, mais il manque de diversité et enferme l’utilisateur dans ses goûts.
Quels sites utilisent des algorithmes de recommandation ?
Presque tous les grands acteurs : Netflix et Spotify pour les contenus, Amazon et Zalando pour les produits, YouTube, TikTok, Instagram et LinkedIn pour les fils d’actualité. Même les applications de mobilité comme Uber ou Waze recommandent des trajets et des chauffeurs selon vos habitudes.
Qu’est-ce que le problème du démarrage à froid ?
Le démarrage à froid désigne l’incapacité d’un système à recommander pour un nouvel utilisateur, un nouvel item ou un nouveau service, faute de données d’interaction. Un nouveau compte Netflix propose des choix génériques, un nouvel article n’est recommandé à personne. Les systèmes hybrides atténuent ce problème.
Le DSA interdit-il les algorithmes de recommandation ?
Non. Le règlement européen sur les services numériques (DSA) ne les interdit pas, il les encadre. Les plateformes doivent expliquer leurs critères de classement, proposer une option sans profilage et permettre le signalement des contenus. Les très grandes plateformes appliquent ces règles depuis le 17 février 2024.
Conclusion
Les algorithmes de recommandation sont devenus l’infrastructure invisible du web marchand. Comprendre leurs familles, leur pipeline et leur cadre légal, c’est reprendre la main sur un outil qui décide à votre place, que vous soyez utilisateur ou décideur.
Le secteur bouge vite : l’IA générative améliore la compréhension et l’explication, le DSA impose la transparence, les utilisateurs exigent du contrôle. Les entreprises qui combinent un pipeline solide, des données propres et une conformité sérieuse garderont l’avantage. Les autres subiront.
Commencez petit : un bloc de recommandation sur votre page produit, un objectif clair, un A/B test. Les résultats parleront plus vite que vous ne le pensez. Et si le sujet vous intéresse, explorez nos guides informatique pour passer à la pratique.
