“Plus un livre est recommandé, plus il est recommandé, c’est un cercle”

Comment fonctionnent les algorithmes de recommandation de livres ?

N’ayant pas mis les mains sous le capot, je ne peux qu’imaginer comment ils fonctionnent. Sur une plateforme de vente de livres en ligne, un premier algorithme de machine learning (ou apprentissage automatique) connue sous le nom de catégorisation, classe les utilisateurs selon leur profil statique et leur profil dynamique. Le profil statique contient toutes les informations explicitement fournies par l’utilisateur lors de son inscription, telles que son âge, son sexe et ses préférences de lecture (science-fiction, essais, bandes dessinées, etc.). Le profil dynamique contient toutes les informations liées à leur comportement sur la plateforme, comme les types de livres qu’ils achètent (format de poche ou de poche, fiction ou essai, le type de littérature – comédie romantique, classique, théâtre, etc. –, leur achat. fréquence, ou encore le type de livre auquel ils s’arrêtent sur la plateforme. À partir de ces informations, l’algorithme de catégorisation construira des classes d’utilisateurs en fonction de la similarité statistique de leurs profils statiques et dynamiques.

En retour, un algorithme dit de recommandation recommandera donc à un nouvel utilisateur, dont on connaîtra la classe grâce à la projection de ses données dans l’espace de classe, un livre qu’un autre utilisateur de sa classe a aimé avec l’idée, en théorie, qu’il va l’adorer aussi. A cela il faut ajouter un composant d’algorithme dit explicite, qui va interférer avec les résultats de l’algorithme de catégorisation en filtrant les résultats. Par exemple, si l’utilisateur ne souhaite pas lire de romans, il est peu probable que l’algorithme les propose.

Le rôle des algorithmes est-il un simple reflet des tendances, ou influence-t-il activement les choix des lecteurs ?

Certainement les deux ! En pratique et explicitement, les livres qui se vendent le plus seront éventuellement plus mis en avant sur la plateforme, quelle que soit la classe à laquelle appartient l’utilisateur ou les préférences de lecture qu’il a précisées lors de son inscription. . A cela, il faut ajouter qu’il y a une sorte de cercle qui se crée ici : plus un livre est recommandé, plus il est vu et acheté, et donc plus il est ensuite recommandé. À cet égard, la manière dont sont conçus les algorithmes de recommandation doit tenir compte de cet effet en introduisant un poids statistique sur les résultats de la suggestion ou en influençant directement le fonctionnement de l’algorithme.

Quels sont les avantages et les inconvénients des algorithmes de recommandation ?

L’avantage est de disposer de recommandations personnalisées basées sur les données comportementales des utilisateurs en laissant l’algorithme capturer les signaux forts et faibles de leurs préférences de lecture. Cela dit, ces algorithmes – lorsqu’ils sont moyennement bien conçus ou lorsqu’ils soutiennent un modèle économique d’achat impulsif sans stratégie de satisfaction profonde – peuvent empêcher la découverte par surprise ou enfermer les utilisateurs dans des bulles de lecture. Dans la pratique, le lecteur se verra principalement recommander des livres que liront des lecteurs qui lui ressemblent.

L’analyse des ventes risque-t-elle de porter atteinte à la diversité éditoriale ?

Cet effet a toujours existé et n’est pas spécifique aux recommandations algorithmiques. Ce que je trouve intéressant dans les algorithmes, c’est l’analyse des préférences et comportements des lecteurs pour comprendre certains succès ou échecs. Mais les éditeurs et les libraires ne devraient pas prendre moins de risques face aux machines algorithmiques qui orienteraient les préférences des lecteurs et donc les ventes futures.

Les algorithmes ont-ils tendance à favoriser les gros vendeurs ou à favoriser l’émergence des petits ?

Difficile à dire. Je ne pourrais pas me prononcer sur ce point. En pratique, si un algorithme conçu plus simplement met en avant les grosses ventes sans aller plus loin dans la personnalisation de la recommandation, c’est possible.

« Les algorithmes de recommandation doivent exister en complémentarité idéale avec nos super libraires en chair et en os ! »

Comment préserver la singularité des librairies ?

Ayez les meilleurs libraires, comme le mien ! (Rire.) L’algorithme de recommandation ne sera jamais meilleur qu’un libraire avec ses émotions, son intelligence pratique et créative, son instinct et son intuition. Aussi en maîtrisant toutes les composantes de l’intelligence que la machine ne maîtrise pas, ils me surprennent régulièrement en me faisant des suggestions qui me paraissent contre-intuitives, mais qui en réalité me plaisent énormément ! Mon libraire, Fred de la Librairie Tome 7 à Paris, a toujours raison de me recommander des romans, même si j’en lis peu, n’y étant pas naturellement attiré.

Quels sont les risques d’un marché homogénéisé par l’IA ?

Empêcher l’existence de toute forme de changement culturel par l’émergence d’un nouveau style littéraire ou par un auteur inconnu du grand public. Cela dit, les algorithmes de recommandation peuvent aider, mais rappelons que ces algorithmes existent pour faire fonctionner des plateformes souvent gérées par des non-libraires, qui cherchent à réaliser du profit sans engagement particulier en matière de lecture. (que peuvent avoir les libraires).

Les « bulles de lecture » que génèrent les algorithmes ne risquent-elles pas, à terme, d’éteindre notre curiosité et tout ce qui nous pousse vers l’inconnu ?

C’est pourquoi les algorithmes de recommandation doivent exister en complémentarité idéale avec nos super libraires en chair et en os ! C’est aussi pourquoi la radio, la télévision, les podcasts et autres émissions ont également de beaux jours devant elles.