À l'ère du numérique, on nous demande constamment de faire confiance aux conseils d'autrui. Lorsqu'un service de streaming suggère un film ou qu'un site de vente en ligne recommande un produit, il s'appuie souvent sur la logique selon laquelle les personnes qui ont aimé les mêmes choses par le passé aimeront les mêmes choses à l'avenir. C'est le fondement des systèmes de recommandation modernes. Cependant, dans le monde réel, nos connexions sociales sont rarement des miroirs parfaits de nos goûts. Nous pouvons être amis avec quelqu'un parce que nous avons grandi ensemble ou que nous travaillons dans le même bureau, même si nous avons des loisirs totalement différents. Lorsqu'un algorithme informatique traite chaque amitié comme un signe d'intérêt partagé, il risque d'être induit en erreur par ces connexions faibles ou non pertinentes. Ce bruit peut confondre le système, l'amenant à suggérer des articles que l'utilisateur n'appréciera pas réellement.

Des chercheurs de l'Université de technologie de Shandong ont développé une nouvelle approche pour résoudre ce problème, visant à rendre ces recommandations numériques plus intelligentes en apprenant à l'ordinateur à distinguer un véritable intérêt partagé d'une simple connexion sociale. Ils appellent leur méthode RGDRec. Au lieu d'accepter aveuglément chaque lien social comme un guide, le système agit comme un éditeur attentif, évaluant la fiabilité de chaque relation avant de laisser celle-ci influencer la suggestion finale. En filtrant les connexions peu fiables et en pondérant les restantes en fonction de la manière dont elles correspondent au comportement réel d'un utilisateur, les chercheurs ont découvert qu'ils pouvaient améliorer considérablement la précision des recommandations, même lorsque les données sociales étaient désordonnées ou pleines de distractions.

Le défi central que l'équipe a abordé est que les réseaux sociaux du monde réel sont souvent bruyants. Dans un graphe social typique, qui est simplement une carte de qui est connecté à qui, de nombreux liens ne reflètent pas de véritables similitudes de goût. Un utilisateur peut suivre une célébrité qu'il admire mais n'acheter jamais les produits que cette célébrité promeut, ou il peut être connecté à un ami avec lequel il ne partage aucun intérêt commun. Lorsque les algorithmes de recommandation standards diffusent l'information à travers ces réseaux, ils traitent chaque connexion comme étant d'égale importance. Cela signifie qu'un lien bruyant ou faible peut diluer le signal d'un lien fort et pertinent, menant le système à faire de mauvaises suppositions sur ce qu'un utilisateur veut. Les chercheurs ont réalisé que pour corriger cela, ils avaient besoin d'un moyen de mesurer la fiabilité de chaque lien social avant d'utiliser celui-ci pour apprendre les préférences d'un utilisateur.

Pour y remédier, l'équipe a conçu un processus en deux étapes qui agit comme un filtre pour l'information sociale. Premièrement, le système examine les données brutes pour former une première hypothèse sur la fiabilité d'une amitié spécifique. Il le fait en vérifiant deux choses : à quel point les deux personnes ont réellement interagi avec les mêmes produits ou contenus par le passé, et quelle est la centralité de l'ami au sein du réseau social plus large. Si deux amis ont acheté beaucoup de livres identiques ou visité les mêmes restaurants, le système marque leur connexion comme hautement fiable. S'ils n'ont aucun historique commun, la connexion est signalée comme potentiellement faible. Cette évaluation initiale n'est pas une décision finale, mais un score de probabilité qui détermine la probabilité que le système utilise cette amitié spécifique pour transmettre l'information.

Une fois que le système possède ces scores de fiabilité, il ne se contente pas de supprimer les liens faibles. Au lieu de cela, il utilise un processus de sélection dynamique. Pendant la phase d'apprentissage, le système décide de manière aléatoire s'il inclut une connexion sociale spécifique dans ses calculs, mais il prend cette décision en fonction du score de fiabilité. Les connexions à haute fiabilité sont presque toujours incluses, tandis que les connexions à faible fiabilité sont fréquemment sautées. Cela se produit de manière répétée au fur et à mesure que le système apprend, lui permettant d'explorer différentes combinaisons de données sociales sans rejeter définitivement aucune information. Cette approche garantit que le système n'est pas figé sur une vision potentiellement erronée du réseau social, mais peut se concentrer de manière adaptative sur les connexions les plus utiles.

La seconde étape consiste à affiner l'influence des connexions qui sont sélectionnées. Même parmi les amis fiables, certains peuvent être plus pertinents pour une tâche de recommandation spécifique que d'autres. Le système utilise un mécanisme apprenable pour ajuster le poids de chaque connexion, décidant essentiellement de l'attention à accorder à chaque voisin. Cela permet au modèle d'amplifier les voix des amis qui partagent réellement les intérêts de l'utilisateur et d'atténuer l'influence de ceux qui ne sont que lâchement connectés. En combinant ce filtrage sélectif avec un ajustement minutieux de l'influence, le système construit une image beaucoup plus nette des préférences de l'utilisateur, exempte du bruit statique qui affecte souvent les modèles de recommandation sociale.

Pour s'assurer que ce filtrage social aide réellement la recommandation finale, les chercheurs ont ajouté une étape d'apprentissage contrastif multi-domaine. Il s'agit d'une méthode d'entraînement du système pour s'assurer que l'information sociale recueillie concorde avec l'historique réel d'achat ou de visionnage de l'utilisateur. Le système compare la représentation d'un utilisateur dérivée de son réseau social avec la représentation dérivée de ses interactions directes avec les articles. Il encourage ces deux vues à être cohérentes si elles proviennent de la même personne, tout en les éloignant si elles proviennent de personnes différentes. Cela agit comme un contrôle, garantissant que l'information sociale utilisée est réellement utile pour prédire les préférences et n'est pas simplement un bavardage social aléatoire. Crucialement, la recommandation finale est toujours faite sur la base de l'historique d'interaction directe de l'utilisateur, les données sociales ne servant que de guide de soutien durant le processus d'apprentissage. Cette conception empêche tout bruit résiduel du réseau social de corrompre directement la liste finale de suggestions.

L'équipe a testé sa méthode sur trois grands ensembles de données réels contenant des informations sur des utilisateurs de plateformes telles que Yelp, Douban et Ciao. Ces ensembles de données comprenaient des millions d'interactions et de connexions sociales, offrant un environnement rigoureux pour tester la capacité du système à gérer le bruit. Les résultats ont montré que leur méthode, RGDRec, surpassait systématiquement les modèles de pointe existants. Elle a atteint une plus grande précision dans la prédiction des articles que les utilisateurs aimeraient, mesurée par des métriques standards telles que le nombre d'articles pertinents apparaissant dans les dix ou vingt premières suggestions. L'amélioration était notable sur les trois ensembles de données, suggérant que l'approche est robuste et efficace, quel que soit le type de données ou la densité du réseau social.

Pour prouver que leur méthode filtrait réellement le bruit et ne s'en sortait pas simplement par chance, les chercheurs ont effectué un test de résistance. Ils ont injecté artificiellement un grand nombre de fausses connexions sociales aléatoires dans les ensembles de données, simulant un scénario où le réseau social était fortement corrompu. Même lorsque le nombre de fausses connexions était le double du nombre de connexions réelles, le système a maintenu ses performances. L'analyse a montré que le système attribuait naturellement des poids très faibles à ces connexions injectées et bruyantes, les ignorant efficacement tout en accordant une importance élevée aux liens réels et fiables. Cela a démontré que le mécanisme guidé par la fiabilité identifiait et supprimait avec succès le bruit, maintenant la qualité de la recommandation stable même dans des conditions extrêmes.

Une analyse plus approfondie a révélé que le succès du système provenait de la combinaison de ses deux composantes principales. Supprimer le filtrage de fiabilité entraînait une chute des performances, confirmant que l'utilisation des données sociales sans vérifier leur qualité ne suffit pas. De même, supprimer l'étape d'apprentissage multi-domaine nuisait également aux performances, montrant que l'alignement des données sociales avec le comportement réel de l'utilisateur est essentiel. L'étude suggère que la manière la plus efficace d'utiliser l'information sociale n'est pas de la traiter comme une carte fixe de la vérité, mais comme un ensemble dynamique d'indices qui doivent être constamment évalués et pondérés en fonction de leur correspondance avec les actions réelles de l'utilisateur.

Les chercheurs reconnaissent que leur méthode actuelle repose sur des données statiques, telles que les interactions passées et la structure du réseau, et pourrait ne pas capturer pleinement la complexité des relations qui évoluent dans le temps ou dépendent de contextes spécifiques. Ils ont également noté que leurs simulations de bruit, bien qu'efficaces, sont plus simples que la réalité désordonnée des réseaux sociaux du monde réel où les mauvaises connexions pourraient encore exercer une influence subtile. Cependant, ce travail fournit une base solide pour de futurs systèmes capables de mieux naviguer l'écart entre les personnes avec lesquelles nous sommes connectés et ce que nous aimons réellement. En apprenant aux algorithmes à être sceptiques vis-à-vis des liens sociaux et à prioriser les preuves d'intérêt partagé, cette recherche offre une voie plus claire vers des recommandations qui semblent véritablement utiles plutôt que simplement statistiquement probables.