Une approche de clustering neutrosophique pour gérer l’incertitude des recommandations chez les utilisateurs « moutons gris »

Pourquoi certaines personnes reçoivent des recommandations étranges

Les sites de streaming et les plateformes d’achat semblent souvent nous « connaître », mais pour beaucoup de personnes les suggestions manquent encore leur cible. Cet article examine un groupe d’utilisateurs délicat dont les goûts ne correspondent pas à la foule et montre comment intégrer l’incertitude — plutôt que de l’ignorer — peut améliorer considérablement les recommandations pour ces personnes.

Les utilisateurs qui désarçonnent les moteurs de recommandation

La plupart des systèmes de recommandation apprennent à partir des motifs de la foule : « des personnes comme vous ont aussi aimé ces films, livres ou chansons. » Cela fonctionne bien quand vos goûts ressemblent à ceux d’un grand groupe. Mais certains utilisateurs, appelés « moutons gris », apprécient un mélange d’éléments grand public et d’éléments inhabituels qui ne correspondent clairement à aucun groupe unique. Leurs évaluations sont dispersées, le système ne trouve pas de voisins fiables, et les suggestions qui en résultent sont souvent inexactes ou incohérentes. Le problème est aggravé par la rareté des données : dans un jeu de données typique de films, plus de 90 % des paires utilisateur–film possibles n’ont aucune note, si bien que les moutons gris disparaissent pratiquement dans le bruit.

Transformer l’incertitude en signal utile

Les auteurs proposent d’affronter cette confusion en modélisant explicitement l’incertitude du comportement utilisateur. Ils utilisent un cadre logique appelé raisonnement « neutrosophique », qui représente l’appartenance d’un utilisateur à un cluster en trois composantes : à quel point il correspond (vérité), à quel point la correspondance est incertaine (indétermination), et à quel point il n’appartient clairement pas (faux). Au lieu de forcer chaque personne dans un groupe propre et unique, leur clustering neutrosophique k‑means autorise des appartenances partielles et même ambiguës. Le cluster présentant la plus grande ambiguïté globale devient le groupe des « moutons gris » : des personnes dont les goûts sont difficiles à cerner mais qu’il est important de ne pas ignorer.

Un double chemin pour les recommandations

Une fois les utilisateurs séparés en clusters grand public et moutons gris, le système les traite différemment. Pour les utilisateurs typiques, on utilise une méthode classique de filtrage collaboratif basée sur les items : les éléments sont comparés entre eux selon la façon dont ils ont été notés, et un utilisateur reçoit des recommandations qui ressemblent à ce qu’il aime déjà. Pour les moutons gris, la même méthode basée sur les items est appliquée, mais seulement après qu’ils ont été soigneusement isolés par l’étape de clustering sensible à l’incertitude. Cette couche supplémentaire garantit que, lorsque le système cherche des motifs, il compare chaque mouton gris à des items et à des schémas de notation qui reflètent leurs préférences uniques et dispersées, plutôt que de les moyenniser au sein de la majorité. Les expériences maintiennent constantes les configurations de recommandation, de sorte que les gains observés peuvent être attribués à une meilleure identification des moutons gris et non à des ajustements de paramètres.

Quelle amélioration réelle observe‑t‑on ?

Les auteurs testent leur cadre sur des jeux de données bien connus pour les films (MovieLens 100K et 1M), puis l’étendent aux livres (Book‑Crossing) et à la musique (Last.fm). Comparée à une méthode de soft‑clustering populaire (fuzzy c‑means) et à plusieurs hybrides de clustering avancés, leur approche neutrosophique obtient systématiquement des erreurs de prédiction plus faibles et un meilleur succès pour sélectionner des items que les moutons gris apprécient réellement. Par exemple, sur le jeu de données MovieLens 100K, la précision et le rappel pour le cluster des moutons gris atteignent environ 89 % et 91 %, avec des erreurs de notation sensiblement plus petites. La méthode surpasse également plusieurs systèmes de recommandation par apprentissage profond lorsqu’on l’évalue spécifiquement sur les moutons gris, malgré une architecture plus simple et plus transparente. L’avantage clé n’est pas la puissance de calcul brute, mais le traitement explicite de l’incertitude comme signal de première classe.

Ce que cela signifie pour les utilisateurs au quotidien

En termes simples, ce travail montre que reconnaître « je ne suis pas sûr à propos de cet utilisateur » peut être plus puissant que faire comme si l’incertitude n’existait pas. En ouvrant une voie dédiée aux personnes dont les goûts ne correspondent pas aux modèles standard, le système proposé récupère un public négligé et lui fournit des recommandations plus précises, diversifiées et satisfaisantes. Bien que l’étude actuelle se concentre sur les notes plutôt que sur des contenus riches comme le texte ou les images, et principalement sur les moutons gris plutôt que sur l’ensemble des utilisateurs, elle offre une recette pratique : construire des pipelines de recommandation qui détectent l’ambiguïté, la traitent explicitement et l’utilisent pour guider la génération des suggestions. Pour quiconque s’est déjà dit « ces recommandations ne me correspondent pas vraiment », ce changement pourrait rendre les systèmes futurs beaucoup plus personnels et équitables.

Citation: Samir, D., El Reheem, E.A., Darwish, S.M. et al. A neutrosophic clustering approach to handle recommendation uncertainty for gray sheep users. Sci Rep 16, 9663 (2026). https://doi.org/10.1038/s41598-026-41651-8

Mots-clés: systèmes de recommandation, utilisateurs moutons gris, modélisation de l’incertitude, clustering neutrosophique, filtrage collaboratif