[ИАД, весна 2026] Рекомендательные системы. Лекция 2

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée pour un cours universitaire : les concepts sont présentés de manière progressive, avec des formules mathématiques claires et des explications intuitives. L’argumentation est solide, s’appuyant sur des références classiques (Ricci et al., 2011) et des articles fondateurs pour SLIM et EASE. L’enseignant justifie les choix de conception (par exemple, la contrainte de diagonal nulle dans SLIM) et discute des compromis entre les modèles. La session pratique prévue renforce l’aspect appliqué, mais n’est pas détaillée dans cette vidéo.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les méthodes sont présentées avec leurs fondements mathématiques et des références bibliographiques sont fournies. Les sources citées incluent des articles de référence pour SLIM et EASE, ainsi que des ouvrages classiques sur les systèmes de recommandation. L’adéquation entre le titre et le contenu est parfaite : la leçon traite bien des systèmes de recommandation, conformément au titre. Aucun commentaire n’est fourni, donc aucune analyse des tendances du public n’est possible.

Le titre annonce une leçon sur les systèmes de recommandation ; le contenu correspond exactement à cette promesse, en se concentrant sur la deuxième leçon du cours.

8/10

Cours universitaire structuré, présentant des méthodes classiques de filtrage collaboratif (ItemKNN, SLIM, EASE) avec formules mathématiques et références à des travaux fondateurs. Approche pédagogique rigoureuse, mais sans validation expérimentale détaillée dans cette vidéo.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction et rappel du plan du cours : filtrage collaboratif.
• 02:00Définition du filtrage collaboratif et historique (système Tapestry).
• 05:00Présentation des deux grandes familles : memory-based et model-based.
• 08:00Explication des approches user-based et item-based.
• 10:00Formules de prédiction pour ItemKNN et discussion sur les similarités.
• 15:00Astuces pratiques : normalisation IDF, coefficient de shrinkage.
• 20:00Présentation du modèle SLIM et de son optimisation.
• 25:00Présentation du modèle EASE et de sa solution analytique.
• 30:00Introduction au dataset MovieLens et aux métriques d'évaluation.
• 35:00Début de la session pratique : chargement du notebook et exploration des données.

• Recommender Systems Handbook — Référence classique citée pour les systèmes de recommandation.
• SLIM: Sparse Linear Methods for Top-N Recommender Systems — Article présentant le modèle SLIM.
• Embarrassingly Shallow Autoencoders for Sparse Data — Article présentant le modèle EASE.

• Item-based collaborative filtering recommendation algorithms — Article fondateur sur les méthodes item-based, en accord avec le contenu de la leçon.
• Amazon.com recommendations: item-to-item collaborative filtering — Article décrivant l'approche item-to-item utilisée par Amazon, cohérente avec les méthodes présentées.