Un modèle spatio-temporel de recommandation du prochain POI basé sur l’inertie du comportement utilisateur

Pourquoi vos lieux préférés réapparaissent sans cesse

Toute personne utilisant des applications de cartographie ou d’avis a déjà vu les mêmes cafés, salles de sport ou parcs remonter en tête des suggestions. Cet article examine pourquoi nos habitudes quotidiennes rendent ces recommandations étonnamment prévisibles et comment des formules plus intelligentes peuvent transformer des données de check-ins éparses en suggestions de lieux suivants plus utiles et moins aléatoires.

Les habitudes derrière nos déplacements

Les auteurs partent d’une observation simple : les gens choisissent rarement leur prochaine destination au hasard. La vie quotidienne est guidée par des finalités — manger, se déplacer, se détendre ou sortir. Avec le temps, le fait de fréquenter de façon répétée des lieux similaires pour une même finalité crée ce que les auteurs appellent l’inertie comportementale, une sorte d’attraction par défaut vers des endroits familiers. En parallèle, la vie réelle est désordonnée. L’heure de la journée, la distance et l’envie d’essayer un endroit nouveau peuvent éloigner les gens de leurs choix habituels et agir comme une résistance à cette inertie. Le défi consiste à capturer ces deux tendances pour qu’un système de recommandation puisse deviner la prochaine destination d’un utilisateur de façon plus fiable.

Classer les lieux par finalité quotidienne

Un obstacle est que, même dans les applications de localisation populaires, les données sont très clairsemées pour chaque personne : chaque utilisateur ne visite qu’une fraction infime des lieux disponibles. Pour atténuer ce problème, les chercheurs regroupent les points d’intérêt en quatre finalités larges et intuitives : manger et boire, transport et hébergement, sorties et divertissements, et activités de plein air. Un même lieu peut appartenir à plusieurs groupes s’il remplit plusieurs rôles, comme un bar qui est aussi un restaurant. À partir de l’historique de chaque utilisateur, ils construisent ensuite une chronologie de finalités plutôt que de se limiter à des coordonnées brutes. Des techniques simples de séries temporelles estiment quand il est le plus probable qu’un utilisateur poursuive chaque finalité, ce qui réduit fortement l’ensemble des lieux candidats avant tout classement fin.

Combiner distance et force de l’habitude

Après avoir estimé la finalité probable de l’utilisateur, le modèle prend en compte la géographie et l’habitude. Les personnes ont tendance à se déplacer dans quelques zones familières où des lieux clés, comme le domicile ou le bureau, jouent le rôle de centres. À partir des check-ins passés, le système apprend où se situent ces centres et à quelle fréquence chaque lieu à proximité a été visité. Les endroits plus proches des points fréquents d’un utilisateur reçoivent un avantage naturel, reflétant l’effort supplémentaire requis pour se déplacer plus loin. Parallèlement, le modèle mesure l’inertie comportementale en examinant la régularité des retours à un même lieu et la durée habituelle des écarts entre visites. Il prend aussi en compte le nombre de lieux différents qu’une personne essaie pour une même finalité : un adepte des habitudes qui dine toujours au même restaurant se comporte différemment d’un utilisateur qui expérimente sans cesse, même si les deux mangent souvent à l’extérieur.

Équilibrer zones de confort et curiosité

Le cœur de l’approche consiste à traiter l’inertie et la résistance comme des forces concurrentes. Si un utilisateur revient souvent dans un lieu avec des écarts temporels constants, le modèle présume une forte attraction à y revenir, surtout lorsque la fenêtre temporelle de la prochaine visite prévue approche. Pour les lieux rarement visités, le système vérifie s’ils sont proches de la position actuelle de l’utilisateur et s’ils appartiennent à une catégorie plus large que l’utilisateur aime explorer. Cela permet de recommander non seulement les repères habituels évidents, mais aussi des choix plausibles et nouveaux dans des quartiers familiers. Le score final de chaque lieu candidat mélange trois ingrédients : la finalité prédite, la proximité géographique et la force apprise de l’inertie comportementale par rapport à la résistance.

Ces prédictions plus fines fonctionnent-elles vraiment ?

Pour tester leur méthode, les auteurs l’ont appliquée à près d’un an de check-ins réels à New York et à Tokyo. Ils ont comparé leur modèle à une longue liste d’approches existantes, incluant des techniques reposant sur les réseaux sociaux, l’apprentissage profond et la modélisation séquentielle détaillée. Dans les deux villes, leur modèle basé sur l’inertie comportementale a amélioré des mesures clés de précision d’environ 15 % pour le rappel et jusqu’à 20 % pour une mesure de classement appelée MAP. En termes simples, le système trouve non seulement la bonne destination suivante plus souvent, mais a aussi tendance à la placer plus haut dans la liste suggérée, là où l’utilisateur est plus susceptible de la remarquer.

Ce que cela implique pour les recommandations futures

Pour les utilisateurs quotidiens, la conclusion est que de meilleures recommandations proviennent de la compréhension des raisons qui nous poussent à aller quelque part, pas seulement du où et du quand. En reconnaissant que les gens suivent des routines lâches façonnées par la finalité, l’habitude et de petites incitations à explorer, ce modèle propose une façon de suggérer des étapes suivantes qui paraissent intuitives et opportunes. Les auteurs suggèrent que des travaux futurs pourraient adapter l’équilibre entre inertie et résistance à mesure que davantage de données arrivent, et associer cela à l’apprentissage profond moderne, donnant aux services basés sur la localisation une sensibilité plus humaine aux zones de confort et à la curiosité.

Citation: Zhang, K., Chu, D., Tu, Z. et al. A user behavior inertia based spatio temporal next POI recommendation model. Sci Rep 16, 15784 (2026). https://doi.org/10.1038/s41598-026-42191-x

Mots-clés: recommandation du prochain POI, inertie du comportement utilisateur, services basés sur la localisation, modélisation spatio-temporelle, schémas de mobilité