FR2973133A1 - Procedes d’actualisation et de creation de profils d'utilisateur, de recommandation de contenu et de construction d'une liste de contenus - Google Patents

Abstract

Au cours du procédé d'actualisation d'un profil d'utilisateur comprenant au moins une donnée de profil: - l'utilisateur du profil effectue une action sur une page web ou sur une application logicielle connectable à un réseau de télécommunication, - on détermine une donnée de remontée de l'action générée par l'action de l'utilisateur, - on extrait une donnée d'interprétation de la donnée de remontée de l'action, et - on modifie la donnée de profil de l'utilisateur à partir de la donnée d'interprétation. L'invention concerne également un procédé de recommandation d'un contenu auprès d'un utilisateur et un procédé de construction d'une liste de contenus adaptée pour un utilisateur.

Description

-1- La présente invention concerne le domaine des procédés de consommation de contenus disponibles ou réservable sur Internet, notamment des supports médias tels que des videos ou des évènements à venir comme des concerts ou des manifestations culturelles.

De nos jours, les utilisateurs de sites présents sur des réseaux de télécommunication, notamment sur le réseau Internet, sont inondés de publicités ou de propositions de consommation de contenus disponibles sur ces réseaux. Ces publicités ou propositions apparaissent généralement sous la forme d'animations flash ou d'encarts dans des zones prédéterminées des sites consultés sur le réseau de télécommunication. Ainsi, on inonde aléatoirement les utilisateurs de contenus susceptibles de les intéresser. Du fait que les propositions de contenus sont envoyées aléatoirement, il est alors préférable de les envoyer en grandes quantités de façon à maximiser la probabilité que l'utilisateur reçoive une proposition d'un contenu pour lequel il a une affinité particulière. D'une part, les contenus proposés ne sont pas toujours adaptés aux préférences de l'utilisateur. Ainsi, les différents utilisateurs présentent des affinités très différentes ce qui rend la plupart des contenus sans intérêt pour eux, voire ennuyants. Les propositions de trop nombreux contenus inadaptés à un utilisateur conduisent même parfois à ce que l'utilisateur quitte le site sur lequel les propositions de contenus lui ont été faites. D'autre part, la quantité de données circulant sur le réseau de télécommunication est relativement importante du fait que les propositions de contenus sont envoyées en très grand nombre. On observe alors des ralentissements des flux de données circulant sur le réseau. L'invention a notamment pour but d'améliorer les propositions de contenus faites à l'utilisateur. L'invention a également pour but de réduire les flux de données liés aux propositions de contenus sur les réseaux de télécommunication. A cet effet, l'invention a pour objet un procédé d'actualisation d'au moins un profil d'utilisateur comprenant au moins une donnée de profil, dans lequel: - l'utilisateur du profil effectue une action sur une page web ou sur une application logicielle connectable à un réseau de télécommunication, on détermine au moins une donnée de remontée de l'action générée par l'action de l'utilisateur, on extrait au moins une donnée d'interprétation de la ou des données de remontée de l'action, et 2973133 -2- on modifie la ou les données de profil de l'utilisateur à partir de la ou des données d'interprétation. En modifiant les données de profil de l'utilisateur en fonction des données d'interprétation, on met à jour le profil de l'utilisateur en fonction de l'action qu'il vient 5 de réaliser. La mise à jour de son profil permet ainsi de disposer de données à jour concernant l'utilisateur, ce qui permet de recommander des contenus adaptés au profil mis à jour de l'utilisateur. Ainsi, on sélectionne uniquement les contenus en adéquation avec le profil de l'utilisateur actualisé ce qui permet d'optimiser les flux de données sur les réseaux de télécommunication, par exemple sur le réseau Internet, 10 en réduisant la circulation de contenus non-adaptés au profil de l'utilisateur. De préférence, la ou les données d'interprétation comprennent au moins une donnée de contexte associée à l'utilisateur et/ou à l'action de l'utilisateur. Il est ainsi possible d'actualiser le profil de l'utilisateur en fonction du contexte de l'action de l'utilisateur ce qui permet d'améliorer davantage la sélection ultérieure 15 des contenus, le contexte de l'action étant susceptible d'indiquer des contenus préférentiels pour l'utilisateur. On parle ainsi d'actualisation de profils contextuels d'utilisateurs. La création de profils d'utilisateur contextuels, qui peut s'adapter à des situations et à des comportements changeants, peut ainsi avoir beaucoup de valeur pour recommander les bons produits et services. 20 Encore plus préférentiellement, la ou les données de contexte comprennent une date et/ou une heure et/ou un lieu et/ou le type d'appareil utilisé et/ou une humeur de l'utilisateur et/ou une condition socio-professionnelle, professionnelle ou personnelle de l'utilisateur. Avantageusement: 25 on compare la ou les données de remontée de l'action avec au moins une donnée de référence selon un critère de comparaison, dit de référence, si le critère de comparaison de référence est satisfait, on extrait la ou les données d'interprétation de la ou des données de remontée de l'action. Cette étape de comparaison permet de vérifier que les données de remontée aient 30 bien une interprétation possible. L'invention a également pour objet un procédé de création d'au moins un profil d'utilisateur comprenant au moins une donnée de profil, dans lequel on détermine la ou les données de profil à partir: d'une donnée d'au moins un profil d'utilisateur tiers, et/ou 35 d'une donnée d'au moins un profil d'utilisateur tiers ayant un lien virtuel avec l'utilisateur, et/ou 2973133 -3- d'au moins une donnée d'au moins un autre profil de l'utilisateur, et/ou d'au moins une donnée de remontée d'action générée par une action de l'utilisateur alors identifié avec cet autre profil d'utilisateur, et/ou d'une valeur par défaut de la donnée de profil. 5 Avant de pouvoir actualiser le profil de l'utilisateur, on crée le profil. Les données permettant de créer le profil peuvent provenir des traces laissées par l'utilisateur sur différents sites Internet et/ou réseaux sociaux. Toute donnée sur l'utilisateur au moment de la création de son profil permet d'obtenir des recommandations adaptées rapidement après la création du profil. On obtient donc 10 des recommandations pertinentes plus rapidement qui permettent de réduire les flux de données sur les réseaux de télécommunication. L'invention a pour autre objet un programme d'ordinateur comprenant des instructions de code aptes à commander l'exécution des étapes d'un des procédés tels que définis ci-dessus lorsqu'il est exécuté sur un dispositif comprenant un 15 processeur. L'invention a également pour objet une installation pour l'actualisation et/ou la création d'au moins un profil d'utilisateur comprenant au moins une donnée de profil, l'installation comprenant: un périphérique de stockage de la ou des données du profil d'utilisateur, 20 un périphérique de stockage d'au moins une donnée de remontée d'action générée par une action de l'utilisateur sur une page web, un processeur adapté pour exécuter un programme d'ordinateur tel que défini ci-dessus. L'invention a encore pour objet une installation pour le recensement d'actions 25 générées par un utilisateur, l'installation comprenant: une interface pour la réception d'au moins une donnée de remontée d'action générée par une action de l'utilisateur, un périphérique de stockage de la ou des données de remontée d'action, un processeur adapté pour exécuter un programme d'ordinateur tel que défini 30 ci-dessus. Un autre objet de l'invention est un procédé de recommandation d'au moins un contenu auprès d'au moins utilisateur présentant un profil d'utilisateur comprenant au moins une donnée de profil, dans lequel: on détermine au moins une donnée d'un profil du contenu, 35 on compare la ou les données de profil du contenu avec la ou les données de profil de l'utilisateur selon un critère de comparaison, dit de recommandation, 2973133 -4- si le critère de comparaison de recommandation est satisfait, on recommande le contenu à l'utilisateur. En comparant les données du profil du contenu avec les données de profil de l'utilisateur, on obtient une prédiction de l'adéquation entre le contenu et les 5 préférences de l'utilisateur. Aussi, en comparant les données de profil de contenus avec les données du profil de l'utilisateur, on obtiendra différentes comparaisons dont certaines satisferont le critère de recommandation et dont le contenu sera adapté à l'utilisateur. Les recommandations proposées étant ciblées, on soulage le réseau de télécommunication des éventuelles propositions de contenu qui ne serait pas 10 adaptées. Le critère de comparaison peut correspondre au dépassement d'un seuil prédéterminé au delà duquel on effectue la recommandation. Ainsi, la comparaison entre le contenu et le profil donne lieu à un score qui s'il est supérieur au seuil entraine la recommandation du contenu. 15 En variante, la satisfaction du critère de comparaison peut correspondre à la sélection d'un nombre prédéterminé de contenus parmi un nombre important de contenus comparés, les contenus recommandés étant ceux qui correspondent aux meilleurs scores. De préférence, la ou les données de profil de l'utilisateur comprennent au 20 moins une donnée de contexte associée à l'utilisateur. Il est ainsi possible de recommander un contenu en fonction du contexte ce qui permet d'améliorer davantage la sélection ultérieure des contenus, le contexte étant susceptible d'indiquer des contenus préférentiels pour l'utilisateur. Plus préférentiellement, la ou les données de profil du contenu comprennent: 25 une durée du contenu, et/ou une origine du contenu, et/ou une destination du contenu, et/ou un classement du contenu. Plus préférentiellement, la ou les données de contexte associées à l'utilisateur 30 comprennent: - une date et/ou une heure, et/ou un lieu, et/ou le type d'appareil utilisé, et/ou une humeur de l'utilisateur, et/ou 35 une condition socio-professionnelle, professionnelle ou personnelle de l'utilisateur. 2973133 -5- Avantageusement, la ou les données du profil de l'utilisateur comprenant au moins une appréciation par l'utilisateur d'un contenu analogue: on compare la ou les données de profil du contenu avec au moins une donnée d'un profil du contenu analogue selon un critère de comparaison, dit d'analogie, 5 - si le critère de comparaison d'analogie est satisfait, on prend en compte l'appréciation par l'utilisateur du contenu analogue pour la recommandation. La prise en compte de l'appréciation par l'utilisateur d'un contenu analogue correspond à une méthodologie de filtrage collaboratif pour l'affinement des recommandations. 10 De façon optionnelle, on modifie la ou les données du profil du contenu à partir d'au moins une donnée de remontée provenant d'un réseau social du réseau de télécommunication, et/ou d'au moins une donnée de remontée provenant d'un site du réseau de télécommunication, et/ou d'au moins une donnée de profil de l'utilisateur, et/ou d'au moins une donnée de profil d'un utilisateur tiers ayant un lien virtuel avec 15 l'utilisateur, et/ou d'au moins une donnée de profil d'un utilisateur tiers. De préférence, on prend en compte l'appréciation par un utilisateur tiers du contenu, l'utilisateur tiers ayant déjà utilisé le contenu et étant choisi parmi: un utilisateur tiers dont la ou les données de profil satisfait ou satisfont un critère de comparaison avec la ou les données de profil de l'utilisateur, 20 un utilisateur tiers ayant un lien virtuel avec l'utilisateur. En outre, les recommandations peuvent être affinées et améliorées par l'utilisation des recommandations fondées sur les préférences des amis de l'utilisateur sur les différents sites de réseaux sociaux. La prise en compte de l'appréciation du contenu par un utilisateur tiers de profil comparable au profil de l'utilisateur correspond 25 également à une méthodologie de filtrage collaboratif pour l'affinement des recommandations. L'invention a encore pour objet un programme d'ordinateur comprenant des instructions de code aptes à commander l'exécution des étapes d'un procédé de recommandation tel que défini ci-dessus lorsqu'il est exécuté sur un dispositif 30 comprenant un processeur. L'invention a pour autre objet une installation pour la recommandation d'au moins un contenu auprès d'au moins un utilisateur présentant un profil d'utilisateur comprenant au moins une donnée de profil, l'installation comprenant: un périphérique de stockage de la ou des données du profil d'utilisateur, 35 un périphérique de stockage d'au moins une donnée d'un profil du contenu, un processeur adapté pour exécuter un programme d'ordinateur tel que défini ci-dessus. Une telle installation peut également servir pour le recensement des recommandations. L'invention a aussi pour objet un procédé de construction d'une liste de contenus adaptée pour un utilisateur présentant un profil d'utilisateur comprenant une donnée de profil, dans lequel: on détermine au moins une donnée d'un profil d'un contenu, - on compare la ou les données de profil du contenu avec la ou les données de profil de l'utilisateur selon un critère de comparaison, dit de recommandation, - si le critère de comparaison de recommandation est satisfait, on ajoute le contenu à la liste. Le procédé permet de créer une liste de contenus adaptée à l'utilisateur. Chaque contenu de la liste satisfait le critère de recommandation de sorte que la liste est adaptée aux préférences de l'utilisateur. En comparant les données du profil du contenu avec les données de profil de l'utilisateur, on obtient une prédiction de l'adéquation entre chaque contenu et les préférences de l'utilisateur. Aussi, en comparant les données de profil de contenus avec les données du profil de l'utilisateur, on obtiendra différentes comparaisons dont certaines satisferont le critère de recommandation et dont le contenu sera ajouté à la liste. Les recommandations proposées étant ciblées, on soulage le réseau de télécommunication des éventuelles propositions de listes de contenus qui ne serait pas adaptées. Le critère de comparaison peut correspondre au dépassement d'un seuil prédéterminé au delà duquel on effectue la recommandation. Ainsi, la comparaison entre le contenu et le profil donne lieu à un score qui s'il est supérieur au seuil entraine l'ajout du contenu à la liste. En variante, la satisfaction du critère de comparaison peut correspondre à la sélection d'un nombre prédéterminé de contenus parmi un nombre important de contenus comparés, les contenus ajoutés étant ceux qui correspondent aux meilleurs scores.

Plus préférentiellement, la ou les données de profil du contenu comprennent: une durée du contenu, et/ou une origine du contenu, et/ou une destination du contenu, et/ou un classement du contenu.

Avantageusement, la ou les données du profil de l'utilisateur comprenant au moins une appréciation par l'utilisateur d'un contenu analogue: 2973133 -7- - on compare la ou les données de profil du contenu avec au moins une donnée d'un profil du contenu analogue selon un critère de comparaison, dit d'analogie, - si le critère de comparaison d'analogie est satisfait, on prend en compte l'appréciation de l'utilisateur du contenu analogue dans la recommandation. 5 De préférence, on prend en compte l'appréciation par un utilisateur tiers du contenu évalué dans la recommandation, l'utilisateur tiers ayant déjà utilisé le contenu et étant choisi parmi: un utilisateur tiers dont la ou les données de profil satisfait ou satisfont un critère de comparaison avec la ou les données de profil de l'utilisateur, 10 un utilisateur tiers ayant un lien virtuel avec l'utilisateur. De préférence, la ou les données de profil d'utilisateur comprennent au moins une donnée de contexte associée à l'utilisateur. Plus préférentiellement, la ou les données de contexte associées à l'utilisateur comprennent: 15 une date et/ou une heure, et/ou un lieu, et/ou le type d'appareil utilisé, et/ou une humeur de l'utilisateur une condition socio-professionnelle, professionnelle ou personnelle de 20 l'utilisateur. Dans un mode de réalisation: on actualise la ou les données de contexte après une consommation d'un contenu de la liste, on compare la ou les données de profil du ou des contenus de la liste avec la 25 ou les données de profil de l'utilisateur comprenant la ou les données de contexte actualisées selon le critère de comparaison de recommandation, si le critère de comparaison de recommandation est satisfait, on maintient le ou les contenus comparés dans la liste, et - si le critère de comparaison de recommandation n'est pas satisfait, on 30 supprime le ou les contenus comparés de la liste. On reprend l'étape de comparaison en tenant compte des contenus ajoutés précédemment à la liste et du contexte qui évolue au cours du temps. Plus précisément, les contenus présentent chacun une durée de consommation desquelles on tient compte pour l'actualisation des données de contexte. Cela permet de créer 35 une liste de contenus qui correspond aux préférences de l'utilisateur pendant toute sa durée, limitée ou illimitée, ainsi affinant encore davantage la recommandation de 2973133 -8- contenus sur un seul flux, soulageant les réseaux de télécommunication. Dans un autre mode de réalisation: on prévoit la ou les données de contexte à l'issue d'une consommation d'au moins un contenu de la liste, 5 on compare la ou les données de profil du contenu de la liste avec la ou les données de profil de l'utilisateur comprenant la ou les données de contexte prévues selon le critère de comparaison de recommandation, si le critère de comparaison de recommandation est satisfait, on maintient le contenu comparé dans la liste, et 10 - si le critère de comparaison de recommandation n'est pas satisfait, on supprime le contenu comparé de la liste. Ainsi, on anticipe l'évolution du contexte dès la construction de la liste de contenu ce qui permet, par exemple, d'adapter la liste à l'horaire où l'utilisateur consommera tel ou tel contenu en fonction des durées de contenus précédents. 15 De façon optionnelle, la ou les données de profil de l'utilisateur comprenant une contrainte temporelle prédéterminée, on construit la liste de contenus de façon à satisfaire la contrainte temporelle prédéterminée. Une contrainte temporelle correspond par exemple à un contenu pour lequel l'utilisateur a une préférence particulière et qu'il souhaite consommer en direct, à un 20 horaire prédéterminé. Ainsi, on intègre la consommation de ces contenus dans la construction des listes. On peut également remplir des créneaux horaires de durée déterminée avec un contenu recommandé au sein de listes de contenus avec des vides. L'invention a également pour objet un programme d'ordinateur comprenant 25 des instructions de code aptes à commander l'exécution des étapes d'un procédé de construction tel que défini ci-dessus lorsqu'il est exécuté sur un dispositif comprenant un processeur. L'invention a pour autre objet une installation pour la construction d'une liste de contenus adaptée pour un utilisateur présentant un profil d'utilisateur comprenant une 30 donnée de profil, l'installation comprenant: un périphérique de stockage de la ou des données du profil d'utilisateur, - un périphérique de stockage d'au moins une donnée des profils des contenus de la liste, - un processeur numérique adapté pour exécuter un programme d'ordinateur tel 35 que défini ci-dessus. Une telle installation pour également servir pour le recensement des constructions des listes de contenus. L'invention sera mieux comprise à la lecture de la description qui va suivre, donnée uniquement à titre d'exemple et faite en se référant aux dessins dans lesquels: la figure 1 a est une représentation graphique d'un profil d'utilisateur sous la forme d'un vecteur colonne « n x 1 »; la figure 1 b est une représentation graphique d'un profil d'utilisateur sous la forme d'une matrice « n x m »; la figure 1c est une représentation graphique d'un profil d'utilisateur sous la forme d'une matrice tridimensionnelle ; la figure 2 représente un organigramme d'un procédé d'actualisation d'un profil d'utilisateur selon l'invention ; - la figure 3 présente un organigramme d'une étape d'extraction de données à partir des actions de l'utilisateur; la figure 4 montre un organigramme d'une étape d'extraction de données d'interprétation à partir des données de remontées générées par des actions écrites de l'utilisateur; - la figure 5 représente un organigramme d'étapes d'extraction et d'interprétation de données contextuelles associées à l'humeur de l'utilisateur ; les figures 6a et 6b représentent des schémas synoptiques d'installations d'actualisation et de création de profils d'utilisateur selon différents modes de réalisation; la figure 7 représente un organigramme décrivant un procédé de recommandation de contenus à un utilisateur selon l'invention; - la figure 8 représente un organigramme décrivant une étape d'actualisation de profil des contenus; - la figure 9 représente un organigramme décrivant un mode de réalisation du procédé de recommandation de contenus pour lesquels aucune donnée de profil n'a pu être recueillie; la figure 10 représente un schéma synoptique d'une installation pour la recommandation de contenus selon l'invention ; - la figure 11 représente un organigramme décrivant un procédé de construction de listes de contenus selon l'invention; - les figures 12a, 12b, 13 et 14 représentent des organigrammes décrivant différents modes de réalisation du procédé de construction de listes selon l'invention; la figure 15 représente un schéma synoptique d'une installation pour la -10-construction des listes de contenus.

Profils d'utilisateur Les profils d'utilisateur peuvent être mis à jour dynamiquement en fonction des actions de l'utilisateur. Chaque profil d'utilisateur comprend des données de profil qui peuvent être représentées par un vecteur colonne « n x 1 », nommé "U", qui montre la préférence de l'utilisateur pour chacun des "n" critères où "n" peut être n'importe quel nombre supérieur ou égal à 1. La figure 1 a représente un tel profil. Ces profils « n x 1 » peuvent être ensuite comparés avec le profil d'un contenu tel que représenté par un autre vecteur colonne « n x 1 », nommé «I», pour évaluer dans quelle mesure le profil du contenu correspond aux préférences de l'utilisateur. En général, en multipliant les deux vecteurs (TU * I), on peut déterminer si le profil d'utilisateur est en corrélation avec le profil du contenu car les critères du profil d'utilisateur et du profil du contenu sont comparables. La donnée 101 du profil U de l'utilisateur peut représenter l'affinité de l'utilisateur pour le critère en question. Selon un mode de réalisation de la présente invention, la donnée 101 du profil I peut représenter la notation du contenu sur le critère en question. Des algorithmes tels que le filtrage collaboratif peuvent alors être développés sur la base de ces profils pour améliorer les recommandations. Par exemple, le moteur de recommandation peut rechercher des utilisateurs tiers qui présentent des profils similaires à celui de l'utilisateur, et utiliser les notations de ces utilisateurs pour émettre des recommandations. En outre, comparer les profils d'utilisateur aux profils des contenus peut ouvrir la voie à du filtrage collaboratif amélioré, et donc à l'amélioration des recommandations.

On peut également utiliser des profils d'utilisateurs comprenant des données sous la forme de matrices « n x m » en allouant m vecteurs colonnes « n x 1 » à un profil pouvant varier avec le temps, comme présenté dans la figure 1 b. Ces profils d'utilisateur à deux dimensions sont suffisants pour obtenir des recommandations basées sur le temps. En effet, un vecteur colonne peut correspondre aux préférences de l'utilisateur pour une fenêtre de temps donnée. Par exemple, la figure 1 b, la donnée 101b peut représenter une affinité de l'utilisateur pour le premier critère pour chaque matin d'une journée de travail. La donnée 101a peut représenter celle pour le lundi soir de 19 heures à 22 heures. Une matrice peut couvrir un nombre illimité de fenêtres de temps. Par exemple, le profil d'utilisateur peut être une matrice « n x m » avec n critères et m fenêtres de temps. Afin de fournir des recommandations qui dépendent de critères supplémentaires tels que la date, l'heure, le lieu, le périphérique connecté utilisé pour la consommation 2973133 - 11 - du contenu, l'humeur de l'utilisateur, le type d'appareil utilisé et d'autres informations contextuelles, il est nécessaire d'ajouter d'autres dimensions aux matrices des profils. Comme présenté sur la figure 1c, les matrices des profils d'utilisateur contextuels peuvent être de trois dimensions. La première dimension peut représenter 5 les critères sur lesquels sont fondées les notations, la seconde peut comprendre les fenêtres de temps et la troisième les appareils utilisés. Par exemple, un utilisateur peut avoir quatre appareils connectés à Internet, comme un téléviseur, un smartphone, une tablette et un ordinateur portable. Si les m fenêtres de temps ont été pertinentes avec le comportement de l'utilisateur (par exemple, les fenêtres de temps 10 pendant lequel l'utilisateur consomme habituellement du contenu en utilisant les appareils en question), une matrice «n x m x 4» peut représenter le profil d'utilisateur. Si l'utilisateur se connecte via un cinquième dispositif, le profil d'utilisateur matrice peut être étendu à une matrice «n x m x 5». Une matrice tridimensionnelle peut donc être suffisante pour couvrir le temps et 15 les appareils dans le cadre du profil d'utilisateur, ainsi que le temps et le lieu, ou l'humeur et le lieu. Un profil contextuel complet d'utilisateur peut comprendre plus de quatre dimensions. En outre, l'humeur de l'utilisateur peut être affectée à une cinquième dimension. Le nombre de dimensions est illimité. En effet, la condition socio- 20 professionnelle, professionnelle ou personnelle peut y être jointe. Par exemple, si l'utilisateur est en vacances, la condition professionnelle pourrait intégrer ces informations. Les algorithmes habituellement utilisés avec des vecteurs colonne peuvent être appliqués aux profils avec des matrices multidimensionnelles, ce qui permet des recommandations plus ciblées et plus pertinentes. 25 Selon un mode de réalisation de la présente invention, le vecteur colonne du profil du contenu (dénommé "I") peut être modifié en une matrice « n x m x 4 » ayant que des zéros sur les colonnes non adaptés au contexte qui a été sélectionné. Alors multiplier la transposée de la matrice du profil d'utilisateur TU à la matrice du profil du contenu I donne une nouvelle matrice, dans laquelle seul le chiffre correspondant au 30 contexte est considéré pour le résultat. De manière similaire, tous les algorithmes de filtrage collaboratif ou autres sollicités pour les recommandations peuvent être utilisés avec des matrices multidimensionnelles pour effectuer des recommandations contextuelles. Cette première partie de la description de l'invention définit le cadre pour un 35 profil d'utilisateur contextuel. La partie suivante décrira, dans un premier temps, un procédé de construction d'un profil d'utilisateur, et, dans un deuxième temps, la mise à jour dynamique et l'ajout de données et dimensions contextuelles aux profils. 2973133 -12- Procédé de création d'un profil d'utilisateur Lors de la création d'un profil d'utilisateur, aucune action de l'utilisateur n'a encore été enregistrée dans le profil. Selon un mode de réalisation de la présente 5 invention, une matrice de profil d'utilisateur peut être construite par défaut à partir des valeurs des critères dans les profils d'utilisateur tiers existants. Par exemple, le premier profil d'utilisateur pourrait être créé comme un vecteur colonne « n x 1 » correspondant à la moyenne de l'affinité de tous les utilisateurs sur chaque critère. A titre d'exemple et sans limitation, chaque donnée du vecteur colonne pourrait 10 représenter la moyenne des évaluations de tous les utilisateurs pour toutes les chansons qui comprennent le critère relatif à la donnée du vecteur colonne. Chaque chanson peut se voir attribuée une notation différente basée sur la notation des critères qu'elle comprend. Chaque note explicite d'une chanson par n'importe quel utilisateur sur un album change la moyenne de l'affinité de tous les utilisateurs avec la 15 chanson et les critères compris dans la chanson. Selon un mode de réalisation de la présente invention, toutes les données dans la matrice du profil d'utilisateur par défaut peuvent être fixées à une valeur pré-déterminée pour tous les profils d'utilisateur créés. Selon un autre mode de réalisation de la présente invention, le profil d'utilisateur 20 par défaut peut être construit sur la base des interactions existantes sur les sites de réseaux sociaux comme Facebook, notamment à partir de données d'utilisateurs tiers ayant un lien virtuel avec l'utilisateur dont on crée le profil. A titre d'exemple et sans limitation, le vecteur colonne « n x 1 » représentant le profil d'utilisateur par défaut pourrait être construit à partir de la moyenne de tous les profils qui correspondent à 25 des amis de l'utilisateur sur des sites de réseaux sociaux comme Facebook ou Twitter. Selon un autre mode de réalisation de la présente invention, les vidéos partagées, aimées ou commentées sur les comptes d'un utilisateur d'un réseau social peuvent aider à construire le profil d'utilisateur. Les données recueillies dans le compte du réseau social de l'utilisateur peuvent indiquer ses préférences qui peuvent 30 être liées à différents critères dans le profil par défaut. Dans d'autres modes de réalisation, on détermine les données de profil à partir d'au moins une donnée d'au moins un autre profil de l'utilisateur, et/ou d'au moins une donnée de remontée d'action générée par une action de l'utilisateur alors identifié avec cet autre profil d'utilisateur. 35 Procédé d'actualisation du profil d'utilisateur La présente invention a également pour objectif de mettre à jour ces profils 2973133 -13- d'utilisateur afin que chacun d'entre eux soit le plus précis et fournisse le plus d'informations possible sur les préférences en fonction du contexte. Des modes de réalisation de la présente invention sont décrits en détail à l'égard de la figure 2, qui représente l'organigramme d'un procédé pour créer et 5 actualiser un profil d'utilisateur contextuel. Le système peut comprendre un ou plusieurs appareils comprenant un processeur connecté à un réseau de télécommunication, par exemple Internet, tels que les téléphones mobiles 201, ordinateurs tablettes 202, ordinateurs portables 203, ordinateurs fixes 204, téléviseurs 205 et autres appareils 206, tels que les décodeurs et les lecteurs Blue-ray entre 10 autres. Ces dispositifs comprennent quelques extensions 207, qui peuvent représenter les extensions d'un navigateur web, applications, API, plug-ins, des logiciels sur les dispositifs intermédiaires comme un décodeur, une console de jeu ou une «over-the-top box» (par exemple, Apple TV, Roku Box, Boxee D-Link Box), entre autres. Par exemple, sur des appareils mobiles 201 et 202, les extensions 207 15 peuvent représenter les applications fonctionnant sur le système d'exploitation local des appareils. Dans ce cas, l'extension sera en mesure d'enregistrer toutes les actions de l'utilisateur et sa localisation, étant déterminé par le GPS de l'appareil ou son adresse IP. Dans le cas des ordinateurs portables 203 et ordinateurs fixes 204, les 20 extensions peuvent représenter des applications de bureau dans ce cas, le processus peut être semblable aux extensions pour les appareils mobiles décrits ci-dessus, ou des plug-ins dans le navigateur web, qui sont capables d'enregistrer les actions de l'utilisateur. Dans le cas des téléviseurs 205, les extensions 207 peuvent représenter les applications embarquées sur un téléviseur connecté à Internet ou des logiciels 25 intégrés dans le système d'exploitation d'un décodeur. Au cours du procédé selon l'invention, l'utilisateur effectue une action sur une page web ou sur une application logicielle connectée au réseau de télécommunication. Une fois l'action enregistrée par les extensions 207, on détermine des données 30 de remontée de l'action générée par l'action de l'utilisateur. Celles-ci sont envoyées au module d'extraction 218 des données de remontées. Puis, on extrait des données d'interprétation des données de remontées. A cet effet, on compare d'abord les données de remontée de l'action avec au moins une donnée de référence selon un critère de comparaison, dit de référence. Si le critère de 35 comparaison de référence est satisfait, on extrait les données d'interprétation des données de remontée de l'action. Le module d'extraction 218 des données de remontées détermine d'abord si les 2973133 -14- actions sont des actions écrites 209 ou non-écrites 208. Si les actions sont déterminées comme actions écrites 209, alors les données de remontées sont envoyées à un module d'extraction sémantique 211 pour une analyse plus approfondie. Si les actions sont déterminées comme non-écrites 208, alors les 5 données de remontées ne sont pas traitées avant une analyse plus approfondie par le module d'analyse des données 219. Il sort du module d'extraction 218 une matrice 212 "6 x 1" comprenant les données d'interprétation suivantes: <Utilisateur, Action de l'Utilisateur, Appareil, Jour, Heure, Endroit>. L'endroit peut être déduit de la latitude et la longitude données par le GPS à bord des appareils mobiles 201 et 202 ou les 10 adresses IP des appareils connectés, 203, 204, 205 et 206. La matrice est ensuite envoyée au modèle d'analyse des données 219. Le module 219 d'analyse des données d'interprétation analyse ensuite chaque donnée d'interprétation, par exemple l'élément Action de l'Utilisateur de la matrice de données pour en extraire des données d'interprétation soit explicites 213 ou autres 15 214 qui peuvent être répertoriées comme valeurs implicites 215. Le module d'analyse de données 219 va permettre la modification des données du profil d'utilisateur contextuel 216 à partir des données d'interprétation comprenant des données de contexte associées à l'utilisateur et/ou à l'action de l'utilisateur. Ces données de contexte comprennent une date et/ou une heure, par exemple de l'action, et/ou un 20 lieu, par exemple de l'action et/ou le type d'appareil utilisé, par exemple pour générer l'action et/ou une humeur de l'utilisateur et/ou une condition socio-professionnelle, professionnelle ou personnelle de l'utilisateur. D'autres données de contexte peuvent bien évidemment être ajoutées.

25 Extraction des données d'interprétation à partir des données de remontées Selon un mode de réalisation de la présente invention et en se référant à la figure 3, les données de remontées enregistrées 201 sont collectées par les différentes extensions (207 sur la figure 2). Comme indiqué ci-dessus, les données de remontées enregistrées 201 contiennent diverses données concernant les actions de 30 l'utilisateur. Le module d'extraction de données de remontée détermine d'abord si l'action de l'utilisateur est écrite 302 ou non 303. Si l'action est un acte d'écriture 302, alors le module d'extraction effectue une extraction sémantique 304, tel que décrit plus amplement ci-dessous. Une fois l'extraction sémantique 304 effectuée, l'Action de l'Utilisateur est définie comme étant une action listée 309 ou non 308. Les actions 35 non listées 308 ne sont pas définies par le système et ne peuvent donc pas être utilisées pour mettre à jour le profil d'utilisateur contextuel. Par conséquent, si le module d'extraction détermine qu'un acte d'écriture 302 est une action non listée 308, 2973133 -15- le procédé est interrompu. Toutefois, si l'action d'écriture 302 est définie comme une action listée 309, une matrice « 3 x 1» 310 est produite. Elle contient les données suivantes <Utilisateur, Action/Sentiment, Objet/Concept>. La donnée relative à l'objet peut représenter un objet qui a été acheté sur Internet, une vidéo qui a été vue sur 5 une plateforme vidéo ou "aimé" sur un site d'un réseau social, par exemple Facebook, ou une vidéo que l'utilisateur a commencé à regarder avant de changer de chaine ou d'arrêter la vidéo avant la fin. En variante, la matrice «3 x 1» 310 peut représenter des sentiments et des concepts plutôt que des actions et des objets. Par exemple, un concept pourrait être plus large que l'objet et pourrait englober des activités telles que 10 «aller au cinéma » ou «aller dîner». Au lieu d'assigner une action, le module d'extraction peut affecter un sentiment à chaque concept. Par exemple, un utilisateur pourrait avoir un sentiment «heureux » ou « positif » associé à «aller au restaurant». De cette façon, le module d'extraction est capable de filtrer et analyser des données sans limites des activités des utilisateurs à condition que tous les objets / concepts 15 soient référencés dans la base de données. Si le module d'extraction détermine que l'action de l'utilisateur est une action autre qu'écrite 303, alors le module d'extraction détermine si l'action est listée 306 ou non 305. Les actions non listées 305 ne sont pas définies par le système et le procédé est interrompu. Toutefois, si l'action non-écrite 303 est listée 306, une matrice « 3 x 1» 20 310 est produite avec les éléments suivants <Utilisateur, Action, Objet>. Des exemples d'actions listées 306 comprennent, sans limitation, le clic du bouton «J'aime» sur un site d'un réseau social, par exemple Facebook, l'achat d'un objet sur Internet, la visualisation d'un contenu comme une vidéo ou le changement de chaîne sur un téléviseur. En outre, la visualisation d'un contenu à plusieurs reprises, l'arrêt 25 d'une vidéo au milieu de son visionnage, l'avance rapide ou le rembobinage, et la mise à jour du statut d'un utilisateur sur un site d'un réseau social, par exemple Facebook, sont d'autres exemples d'actions listées. Des exemples d'actions listées sont présentés en 307. Il n'y a aucune limite aux types d'actions listées 306 qui peuvent être définies. 30 Les actions non listées 305 peuvent représenter toutes les autres actions qui ne sont pas écrites et différentes des actions listées 306. Dès qu'une action est déterminée comme non listée, le procédé peut être interrompu comme indiqué ci-dessus.

35 Extraction Sémantique La figure 4 montre un organigramme d'un procédé permettant de réaliser une extraction sémantique. Les techniques d'extraction sémantique sont classiques et 2973133 -16- sont présentées ici à titre d'information. Le procédé peut utiliser des solutions déjà existantes avec des bases de données complètes de règles et de mots référencés. Selon un mode de réalisation de la présente invention, on extrait le contenu écrit de l'action écrite 401 qui peut ultérieurement être découpée dans une étape 403. 5 Chaque phrase est divisée en mots, expressions, symboles ou en d'autres éléments significatifs. Ensuite, la catégorisation 404 peut regrouper les objets et mots en catégories, par exemple la catégorie verbe pour le mot « montre », suivi par un processus d'extraction de la racine du mot 405 afin de déduire la forme originale des différents mots. Les étapes suivantes comportent une analyse de sentiment 406 afin 10 de savoir si le sujet peut avoir un sentiment positif à l'égard du concept, les deux (le sujet et le concept) pouvant être extraits par une reconnaissance standard d'entités nommées 407. Dans une autre étape, on combine l'analyse de sentiment 406 et la reconnaissance d'entités nommées 407 ce qui permet de produire les champs <Nom> <Sentiment> <Concept> à partir de l'action écrite initiale, qui peut être, par ailleurs, 15 assimilée à la matrice <Utilisateur> <Action> <Objet> citée plus haut, lorsque le nom ou le pronom se réfère à l'utilisateur.

Module d'analyse des données d'interprétation Selon un mode de réalisation de la présente invention et en se référant à la 20 figure 5, la matrice 501 «6 x 1» de données d'interprétation issue du module d'extraction 218 est envoyé au module d'analyse des données d'interprétation. Le module d'analyse des données détermine d'abord si l'action de l'utilisateur est une valeur explicite listée 503 ou une valeur implicite listée 504. Des exemples d'actions explicites de l'utilisateur sont présentés en 502. Par 25 exemple, indiquer sur un site d'un réseau social, par exemple Facebook, que l'utilisateur "aime" quelque chose serait considérée comme une valeur explicite listée 503. Il n'y a pas de limite au nombre et aux types d'actions qui peuvent se voir attribuées des valeurs explicites 502. Des exemples d'actions implicites listées sont présentés en 505. Des actions 30 telles que changer de chaîne sur un téléviseur, ou ne pas noter le contenu après l'avoir consulté sur Internet pourraient se voir attribuées des valeurs implicites listées. Il n'y a pas de limite au nombre et aux types d'actions qui peuvent se voir attribuées des valeurs implicites 505. Une fois que le module d'analyse des données a extrait les valeurs explicites 35 503 et les valeurs implicites 504 figurant dans la matrice 501 de données d'interprétation, les valeurs obtenues sont envoyées à un module d'extraction d'humeur 506 pour une analyse plus approfondie. Les valeurs d'humeur peuvent être 2973133 -17- déduites soit des valeurs explicites listées 503 soit des valeurs implicites listées 504. Un exemple de valeurs explicites listées, à partir desquelles l'humeur peut être extraite, est l'expression de frustration sur un réseau social, par exemple le site du réseau Twitter. Par exemple, si un utilisateur envoie le message "Je n'arrive pas à 5 trouver mon chiot", l'analyseur de données peut attribuer une valeur d'humeur à ces messages. Par exemple, l'analyseur de données pourrait attribuer une valeur d'humeur «triste» ou «négative» pour le message ci-dessus. Avantageusement, l'analyseur de données peut également attribuer des valeurs basées sur des marqueurs d'humeur implicites tels que le volume de messages dans la journée. 10 A titre d'exemple et sans limitation, si un utilisateur envoie généralement cinquante messages tous les jours et un jour donné en envoie seulement dix, l'analyseur de données peut attribuer une valeur d'humeur en fonction du volume inférieur de messages sur un réseau social, par exemple le site du réseau social Twitter. Le système peut attribuer une valeur « triste » ou « négative» à des volumes 15 inférieurs de messages que la normale et une valeur « heureuse » ou « positive » à des volumes plus élevés de messages que la normale. Une mise à jour du statut d'un utilisateur sur un site d'un réseau social, par exemple Facebook, exprimant de la joie peut signifier que l'utilisateur a une humeur positive. Les extractions de la valeur d'humeur peuvent être faites à partir d'un nombre illimité d'actions d'utilisateur. 20 L'extraction d'humeur est très délicate, mais peut avoir une influence significative sur les préférences de l'utilisateur. Par conséquent, la valeur d'humeur peut ne comprendre qu'une valeur neutre, négative et positive. L'humeur peut être neutre par défaut avant toute entrée, mais toute action de l'utilisateur qui indique une certaine humeur positive ou négative permet de compléter toutes les entrées de 25 l'utilisateur pendant la journée en ajoutant une dimension d'humeur à la matrice du profil d'utilisateur et une dimension d'humeur aux données traitées. Les données résultantes du module d'extraction d'humeur 506 sont sous la forme d'une matrice «7 x 1» ayant les éléments suivants <Utilisateur, Valeur Extraite, Appareil, Jour, Heure, Endroit, Humeur>. Si aucune valeur d'humeur ne peut être 30 extraite, alors la matrice résultante «7 x 1» peut avoir une valeur 0 pour l'humeur. On modifie les données du profil d'utilisateur contextuel à partir des données d'interprétation de la matrice « 7 x 1 ».

Tout ou partie des étapes des procédés d'actualisation et/ou de création 35 pourront être commandées au moyen de programmes d'ordinateur comprenant des instructions de code aptes à effectuer cette commande. On pourra prévoir d'enregistrer de tels programmes sur un support de données tel qu'un disque CD ou 2973133 -18- DVD, une mémoire flash ou un disque dur. On peut aussi prévoir de mettre ce programme à disposition sur un réseau de télécommunication.

Installation pour la création et l'actualisation de profils d'utilisateur 5 On a représenté deux modes de réalisation d'une telle installation sur les figures 6a et 6b. Le moteur des remontées utilisateur 608 référence toutes les actions des utilisateurs sur les appareils ou dispositifs connectés à Internet (de 601 à 606) via les extensions 607, et les stocke dans un périphérique 609 de stockage, ici une base de stockage, des données de remontée. L'installation comprend également un 10 processeur adapté pour exécuter le programme d'ordinateur décrit ci-dessus, notamment pour générer les matrices au moyen d'un moteur 610 de génération des matrices à partir des données stockées dans la base de stockage des métriques 611 et des actions utilisateur stockées dans la base de stockage du journal 609. L'installation comprend également un périphérique 612 de stockage, ici une base de 15 stockage, des données des profils d'utilisateur. La base 609, la base de stockage des métriques 611 et la base de stockage des profils 612 peuvent être comprises dans des serveurs de base de données. Les moteur des remontées utilisateur 608 et de génération de matrices 610 peuvent être compris dans des serveurs applicatifs. Si l'action utilisateur n'est pas répertoriée dans la base de stockage des 20 métriques 611, le processus d'interprétation effectuée par le moteur de génération de matrices 610 est abandonné. Les données enregistrées dans la base 609 sont alors soit conservées jusqu'à ce que d'autres métriques soient ajoutés à la base de stockage des métriques 611, soit supprimées, en fonction de la mise en oeuvre. En effet, la base de stockage des métriques 611 référence des bases de données de 25 différentes actions, d'objets, des extractions de valeurs <Utilisateur, Action / Sentiment, Objet / Concept>, entre autres. Ces bases de données peuvent être étendues par des ingénieurs qui listent de nouvelles extractions de valeur pour de nouveaux <Utilisateur, Action / Sentiment, Objet / Concept>. Par conséquent, si des indicateurs supplémentaires sont ajoutés à la base de stockage des métriques 611, 30 toutes les données enregistrées et non encore interprétées peuvent repasser par le processus d'interprétation. En effet, si et/ou quand il n'y a plus de données à être référencées par le moteur 608, le moteur de génération de matrices 610 peut fonctionner "en tâche de fond" pour traiter toutes les données enregistrées dans la base de stockage 609. 35 Chronologiquement, chaque action référencée par les extensions 607 est traitée par le moteur 608 qui enregistre toutes les entrées des extensions locales 607 de chaque appareil ou dispositif dans la base 609, ainsi que des informations 2973133 -19- contextuelles telles une date et/ou une heure de l'action et/ou un lieu de l'action et/ou le type d'appareil utilisé pour générer l'action et/ou une humeur de l'utilisateur, par exemple au moment où l'utilisateur a généré l'action. Si l'action de l'utilisateur, enregistrée dans la base 609, est répertoriée dans la 5 base de stockage des métriques 611, l'action de l'utilisateur sera interprétée par le moteur de génération de matrices 610. Il en résulte la matrice «6 x 1» <Utilisateur, Action de l'utilisateur, Appareil, Jour, Heure, Endroit> qui reste stockée dans la base 609. Les entrées traitées comprennent les actions de l'utilisateur interprétées par le moteur de génération de matrices 610 et stockées dans la base 609. Les entrées non 10 traitées comprennent les actions de l'utilisateur qui ne sont pas passées par l'étape d'interprétation du moteur de génération de matrice ou dont l'étape d'interprétation a été abandonnée car non répertoriées dans la base de stockage des métriques 611. Selon un mode de réalisation de la présente invention, les entrées traitées peuvent être séparées des entrées non-traitées dans la base 609. Tous les commentaires 15 écrits stockés dans la base 609 peuvent être traités sémantiquement et séparés des entrées non-traitées dans la base 609. Tous les algorithmes d'extraction sémantique décrits ci-dessus peuvent être exécutés soit par le moteur de génération de matrices 610 ou par une unité de traitement dédiée, éventuellement sous-traitée, 613 sur la figure 6B. Toutes les règles 20 et les mesures mises en oeuvre dans ces algorithmes peuvent être stockées dans la base de stockage des métriques 611 ou dans les serveurs de base de données dédiés (614 sur la figure 6b). Les données référencées <Utilisateur, Action Utilisateur, Appareil, Jour, Heure, Endroit>, qui sont stockées dans la base 609, peuvent être utilisées pour extraire 25 l'humeur et ajouter cette information contextuelle aux données référencées afin de mettre à jour le profil d'utilisateur stocké dans la base de stockage des profils 612. Chaque action de l'utilisateur peut être répertoriée comme ayant une valeur soit explicite soit implicite dans la base de stockage des métriques 611. Dans un mode de réalisation, la différence pouvant être considérée entre les deux listes est 30 que l'action valeur explicite a une signification et interprétation similaire pour tous les utilisateurs, ce qui peut ne pas être le cas pour les actions de l'utilisateur de valeur implicite. Par conséquent, pour chaque action listée de l'utilisateur de valeur explicite, un vecteur colonne correspondant «n x 1» a été défini pour mettre à jour la matrice 35 multidimensionnelle du profil d'utilisateur. Le vecteur colonne «n x 1» est converti en une matrice de mêmes dimensions que celui du profil, en tenant compte du contexte joint à l'entrée traitée <Utilisateur, Action Utilisateur, Appareil, Jour, Heure, Endroit>. 2973133 - 20 - D'autre part, les actions de valeur implicite peuvent avoir des valeurs différentes dans le vecteur colonne correspondant «n x 1», selon le profil de l'utilisateur. Un exemple est que, dans le cas d'un utilisateur qui note souvent les vidéos qu'il regarde, l'absence de notation après consommation d'une vidéo peut indiquer que l'utilisateur 5 n'a pas aimé la vidéo. Toutefois, dans le cas d'un utilisateur qui note que très peu de vidéos, cette absence de notation a une valeur neutre. Selon un mode de réalisation de la présente invention, toutes les valeurs implicites des actions de valeur implicite sont référencées dans la matrice du profil d'utilisateur comme des critères additionnels, qui indique, pour chaque valeur implicite 10 répertoriée dans la base de stockage des métriques 611, l'interprétation adaptée au profil d'utilisateur. Dans une variante, la base de stockage des profils 612 stocke, pour chaque matrice de profil d'utilisateur, une liste de valeurs d'interprétation pour chaque valeur implicite stockée dans la base de stockage des métriques 611. Cette liste de valeurs 15 d'interprétation est mise à jour de manière similaire au profil d'utilisateur, à savoir avec toutes les actions de l'utilisateur. Il est à noter que certaines des valeurs extraites de ce processus sont utilisées pour mettre à jour la matrice du profil d'utilisateur, mais certaines sont utilisées pour extraire des informations sur le contexte de l'utilisateur, en particulier son humeur, à différents moments de la journée, comme décrit ci- 20 dessus. L'installation permet également le recensement des actions générées par les utilisateurs. A cet effet, les appareils ou dispositifs connectés à Internet 601 à 206 comprennent une interface pour la réception des données de remontée d'action générées par une action de l'utilisateur. 25 Le profil d'un contenu donné peut prendre sa popularité en compte, popularité qui peut évoluer toutes les dix semaines dans un mode de réalisation d'un moteur de recommandation. De même, on peut ajouter un facteur temporel au profil d'utilisateur contextuel ce qui réduit de manière continuelle la valeur d'une entrée traitée avec le 30 temps sur le profil d'utilisateur. Cela permet d'actualiser le profil d'utilisateur contextuel car l'utilisateur peut changer de préférences avec le temps. Par exemple, comme un adolescent grandit, ses préférences peuvent changer et certains modes de réalisation de la présente invention peuvent tenir compte de ces préférences évolutives.

35 Procédé de recommandation d'un contenu auprès d'un utilisateur Le profil d'utilisateur contextuel résultant peut être utilisé à des fins diverses, notamment pour faire des recommandations contextuelles pertinentes de contenus. 2973133 - 21 - De tels contenus sont par exemple des supports média tels que des vidéos et des évènements tels que des concerts ou des expositions. Chaque contenu présente un profil comprenant au moins une donnée de profil. Les données de profil du contenu comprennent notamment une durée du contenu, et/ou une origine du contenu, et/ou 5 une destination du contenu, et/ou un classement du contenu. La figure 7 illustre comment on peut utiliser des profils d'utilisateur contextuels pour recommander les contenus. Selon un mode de réalisation de l'invention, supposons que 3 utilisateurs veulent regarder un film le vendredi soir sur leur télévision connectée à Internet. « 10 Regarder un film » est une action demandée 701. Le temps (vendredi soir) et le lieu ont été enregistrés par les extensions connectées à la télévision. Les utilisateurs 1 et 3 ont posté de nombreux messages sur le site d'un réseau social alors que l'utilisateur 2 en a postés moins qu'à l'accoutumée, par exemple moins que sa moyenne quotidienne. Le module d'extraction de l'humeur (voir 506 sur la figure 5) a déterminé 15 que l'utilisateur 2 est de mauvaise humeur en raison du volume inférieur de messages par rapport à sa moyenne et grâce à l'information recueillie de manière sémantique dans les messages et commentaires de l'utilisateur sur différents sites, notamment des sites de réseaux sociaux. Une fois le contexte 702 pour les utilisateurs 1, 2 et 3 (par exemple, heure, lieu, de l'humeur, action) déterminé et que 20 chaque profil d'utilisateur contextuel 703 ait été mis à jour, on met en oeuvre un procédé de recommandation d'un ou plusieurs contenus, par exemple un support média ou un événement, auprès de chaque utilisateur afin de faire des recommandations 704 pour chacun d'entre eux (par exemple, suggérer une série de films en particulier par lequel chaque utilisateur peut être intéressé). Une intersection 25 prenant le meilleur compromis entre les trois listes de préférences donnera alors une recommandation contextuelle. Un autre exemple peut représenter un utilisateur à la recherche d'une activité le samedi soir. Son profil d'utilisateur contextuel actuel indique que l'utilisateur a une affinité pour le théâtre et la cuisine japonaise et se base sur les évènements de 30 l'utilisateur certains samedis soir précédents, et donc peut recommander ce type d'activité pour la soirée de samedi en cours. Ainsi, le procédé de recommandation comprend les étapes suivantes. Dans une première étape du procédé, on détermine tout d'abord les données du profil du contenu. La détermination des données de profil du contenu peut se faire de 35 façon analogue à la détermination des données de profil de l'utilisateur telle que décrite ci-dessus. Puis, on compare les données de profil du contenu avec les données de profil 2973133 - 22 - de l'utilisateur selon un critère de comparaison, dit de recommandation. Si le critère de comparaison de recommandation est satisfait, on on recommande le contenu à l'utilisateur. Si le critère de comparaison de recommandation n'est pas satisfait, on ignore le contenu associé aux données du 5 profil du contenu de la recommandation.

Actualisation du profil du contenu Le module d'extraction sémantique peut être utilisé pour agréger des informations supplémentaires sur les contenus présents notamment sur les sites 10 Internet, notamment les sites des réseaux sociaux, afin d'actualiser les données du contenu. Ainsi, on modifie les données du profil des contenus à partir d'au moins une donnée de remontée provenant d'un réseau social Internet, et/ou d'au moins une donnée de remontée provenant d'un site Internet, et/ou d'au moins une donnée de 15 profil de l'utilisateur, et/ou d'au moins une donnée de profil d'un utilisateur tiers ayant un lien virtuel avec l'utilisateur, et/ou d'au moins une donnée de profil d'un utilisateur tiers. Les commentaires ou articles présents sur ces sites visités par l'utilisateur sont des sources de données qui peuvent être traitées par le module d'extraction 20 sémantique pour actualiser les profils des contenus qui ont été construits au préalable à partir des données disponibles. De tels commentaires ou articles considérés peuvent provenir de tout autre utilisateur ou peuvent être limités aux entrées des connaissances de l'utilisateur concerné seulement sur un réseau social en particulier ou non. On peut donc actualiser le profil du contenu selon un procédé d'actualisation 25 similaire à celui décrit pour le profil d'utilisateur contextuel, comme décrit dans la figure 8. Les profils de contenu peuvent être aussi contextuels si le contexte des différents articles ou commentaires ou «J'aime» ou partages ou autres est pris en compte. Néanmoins, l'actualisation du profil du contenu permet d'améliorer la qualité du 30 profil du contenu et donc les résultats des recommandations. Les commentaires sur les sites, notamment les sites des réseaux sociaux peuvent également être à l'origine de recommandations sociales telles que décrites ci-dessous.

Des modes de réalisation de la présente invention sont également capables 35 d'intégrer des règles de recommandations sociales qui peuvent aider à construire un moteur de recommandation contextuel et social. L'utilisation accrue des sites, notamment des sites de réseaux sociaux, comme Facebook ou Twitter, signifie qu'une 2973133 - 23 - partie importante des actions de l'utilisateur répertoriées par les extensions pourrait venir de ces sites. Par exemple, les mises à jour du statut de l'utilisateur un site d'un réseau social, par exemple Facebook, contient probablement des informations riches sur l'humeur de l'utilisateur et sur ses autres activités tout au long de la journée, tout 5 ceci pouvant être facilement répertorié. Dans un mode de réalisation, les recommandations sociales peuvent être construites pour un utilisateur à partir de l'extraction de certaines données auprès d'utilisateurs tiers ayant un lien virtuel avec l'utilisateur. Ceci fournit une technique de filtrage supplémentaire depuis que la recommandation est construite sur la base des 10 profils d'utilisateurs tiers ayant un lien virtuel avec l'utilisateur. En effet, selon un mode de réalisation de la présente invention et en se référant à la figure 8, les recommandations sociales peuvent porter sur des contenus sur lesquels le système n'a pas d'informations descriptives (par exemple, de métadonnées de contenu vidéo). L'exemple est décrit dans le cas de données 15 présentes sur des sites de réseaux sociaux, ce qui représente la majorité des cas, mais pourrait être appliqué à d'autres sites présents sur les réseaux de télécommunication. Dans un mode de réalisation, on prend en compte l'appréciation par un utilisateur tiers du contenu évalué dans la recommandation, l'utilisateur tiers ayant 20 déjà utilisé le contenu et ayant un lien virtuel avec l'utilisateur et/ou dont la ou les données de profil satisfait ou satisfont un critère de comparaison avec la ou les données de profil de l'utilisateur. Ainsi, par exemple, pour chaque contenu présent sur le site du réseau social 901, comme Facebook ou Twitter, les nombres de partages, de commentaires et de « 25 J'aime », entre autres actions sociales, peuvent être regroupés sur toute la base d'utilisateurs afin d'évaluer la « popularité » des contenus 903. De cette manière, on peut déterminer le contenu le plus populaire 905. En outre, les nombres de partages, de commentaires et de « J'aime » , entre autres actions sociales, faites par les utilisateurs tiers 902 énoncés ci-dessus, ayant un lien virtuel avec l'utilisateur ou ayat 30 un profil d'utilisateur proche de l'utilisateur, peuvent être regroupés. Ces données permettent de déterminer le contenu le plus populaire et le plus adapté aux préférences de l'utilisateur 904. Dans un mode de réalisation, partages, commentaires et « J'aime » peuvent être de la même importance les uns par rapport aux autre. Dans une variante, les partages peuvent avoir une valeur plus importante que les 35 commentaires, qui peuvent avoir plus de valeur que les « J'aime ». Une combinaison des contenus les plus populaires 905 et les plus adaptés aux 2973133 - 24 - préférences de l'utilisateur 904 peut être utilisée pour faire des recommandations sociales 907 dans lesquelles des contenus sont présentés à un utilisateur sans qu'il n'y ait d'information sur le contenu lui-même. Par exemple, nous pourrions classer les vidéos sur deux listes différentes, correspondant aux contenus les plus populaires 905 5 et les plus adaptés aux préférences de l'utilisateur 904. Les recommandations sociales pourraient être les contenus avec le meilleur classement en moyenne sur les deux listes.

Procédé de recommandation avec prise en compte du contexte 10 En outre et comme précédemment, les données de profil de l'utilisateur comprennent des données de contexte associées à l'utilisateur. . Par exemple, les données de contexte associées à l'utilisateur comprennent une date et/ou une heure, et/ou un lieu, et/ou le type d'appareil utilisé, et/ou une humeur de l'utilisateur, et/ou une condition socio-professionnelle, professionnelle ou personnelle de l'utilisateur. 15 En effet, le type de contenu peut être déterminé à partir du site du réseau social, s'il s'agit d'une photo ou d'une vidéo 906. Les commentaires donnent des indications sur le contenu (par exemple, une vidéo particulière peut être une comédie ou ne peut être que politique). Cette information peut être utilisée pour construire un vecteur colonne «n x 1» pour le profil du contenu. Le profil du contenu peut alors être comparé 20 au profil d'utilisateur contextuel 908 pour intégrer des préférences contextuelles en vue d'affiner les recommandations 910 faites par le module de recommandations sociales 907.

Utilisation de données de contenus analogues 25 En outre, on peut utiliser les données du profil de l'utilisateur comprenant une appréciation par l'utilisateur d'un contenu analogue. On extrait des données du profil du contenu analogue. Puis, on compare les données de profil du contenu que l'on évalue et les données de profil du contenu analogue selon un critère de comparaison, dit d'analogie. Si le critère de comparaison d'analogie est satisfait, on prend en 30 compte l'appréciation par l'utilisateur du contenu analogue pour la recommandation. L'appréciation du contenu analogue peut donc être reporté dans les recommandations pour le contenu que l'on évalue. Sinon, on ignore le contenu analogue et on passe à une comparaison avec un autre contenu analogue.

35 Tout ou partie des étapes du procédé de recommandation pourront être commandées au moyen d'un programme d'ordinateur comprenant des instructions de code aptes à effectuer cette commande. On pourra prévoir d'enregistrer un tel 2973133 - 25 - programme sur un support de données tel qu'un disque CD ou DVD, une mémoire flash ou un disque dur. On peut aussi prévoir de mettre ce programme à disposition sur un réseau de télécommunication.

5 Installation pour la recommandation d'un contenu Selon un mode de réalisation de l'invention, les différents éléments de l'installation peuvent être assemblés en une architecture telle que représentée par la figure 10. Le procédé de mise à jour du profil du contenu peut être supporté par une architecture analogue à celle de la création et actualisation du profil d'utilisateur 10 contextuel, présentée dans les figures 6a et 6b. En effet, le moteur des remontées utilisateur peut référencer toutes les données auxquelles il a accès sur les contenus qui sont indexés dans un périphérique de stockage des données de profil des contenus, ici la base de stockage 1014. Ces données sont alors stockées dans la base de stockage du journal des remontées utilisateur 1009 avant d'être traitées par 15 le moteur de génération des matrices 1010 et d'actualiser le profil du contenu dans la base de stockage des profils 1012. L'installation comprend également au moins un processeur adapté pour exécuter le programme d'ordinateur tel que décrit ci-dessus. Dans une variante du mode de réalisation de la présente invention, la base de stockage de profils 1012 et la base de stockage 1014 peuvent former une seule base 20 de stockage. Le moteur de recommandation 1013 va utiliser tous les profils et liens entre eux, qu'il s'agisse de leurs similarités ou de leurs liens virtuels ou de «suiveurs» sur des sites de réseaux sociaux, stockés dans la base de stockage de profils 1012 pour implémenter, de manière adaptée, à savoir de manière multidimensionnelle et contextuelle, les algorithmes de recommandations comme le filtrage collaboratif. La 25 base de stockage 1014 compile toutes les informations pour l'identification et la récupération de chacun des contenus recommandés par le moteur de recommandation 1013 afin d'afficher ces dits contenus sur les interfaces de consommation 1001-1006. Les contenus peuvent être directement affichés ou présentés sur ces interfaces. Le moteur de recommandation 1013 peut être activé 30 automatiquement ou par l'une de ces interfaces de consommation avec une requête spécifique de l'utilisateur. L'installation ci-dessus peut également servir au recensement des recommandations des contenus auprès des utilisateurs.

35 Procédé de construction des listes de contenus adaptée pour un utilisateur 2973133 - 26 - Les médias sont généralement consommés dans des listes qui comprennent des séries linéaires de contenu de même type de manière limitée ou illimitée, comme par exemple: - les listes de lecture («playlists») de musique et les albums de musique qui sont 5 assimilées à des listes de chansons - les magazines et journaux, aussi bien physique que numérique, qui sont assimilés à une liste d'articles - les chaînes de télévision ou les chaînes de vidéos web qui sont assimilées à une liste de vidéos. 10 Ces listes peuvent également comprendre des contenus correspondant à des actions que l'utilisateur pourrait faire. Par exemple, parmi ces actions recommandées nous pourrions trouver l'action d'aller au cinéma, ou de manger à un restaurant particulier ou de regarder un programme télévisé. Ces listes peuvent être dynamiques dans le sens où de nouveaux contenus 15 peuvent y être ajoutés de manière continue. De plus, le contenu existant au sein de la liste peut être modifié s'il est considéré plus approprié d'un point de vue de recommandation. Dans une première étape du procédé de construction, on détermine les données de profil d'un contenu. Les données de profil du contenu comprennent 20 notamment une durée du contenu, et/ou une origine du contenu, et/ou une destination du contenu, et/ou un classement du contenu. Puis, on compare les données de profil du contenu avec les données de profil de l'utilisateur selon un critère de comparaison, dit de recommandation. Si le critère de comparaison de recommandation est satisfait, on ajoute le 25 contenu à la liste. A l'inverse, si le critère de comparaison de recommandation n'est pas satisfait, on ignore le contenu. La figure 11 représente un organigramme d'un procédé pour créer des listes de contenus à partir de requêtes explicites de l'utilisateur, par exemple à partir de mots-clés et filtres. Selon un mode de réalisation de l'invention, les filtres utilisés peuvent 30 être des « mots-clés » ou des « tags » décrivant le contenu, la description de la durée, la description de l'audience ciblée, les sources des contenus. Par exemple, certaines listes de vidéo peuvent être créées à partir de quelques mots-clés et filtres. En général, on attribue plus d'importance au classement dans la liste par rapport à la pertinence des contenus vis à vis de la requête de l'utilisateur avec les mots-clés et 35 filtres utilisés, car les résultats attendus de la requête est de répondre à cette requête en premier lieu, même si d'autres contenus conviendraient mieux aux profils 2973133 - 27 - d'utilisateur considérés. On peut améliorer l'adéquation des contenus qui forment la liste en utilisant les recommandations contextuelles et/ou sociales. A cet effet, les données de contexte associées à l'utilisateur comprennent une date et/ou une heure, et/ou un lieu, et/ou le 5 type d'appareil utilisé, et/ou une humeur de l'utilisateur, entre autres. En effet, une condition socio-professionnelle, professionnelle ou personnelle de l'utilisateur pourrait y être ajoutée.

En effet, les données de contexte évoluant le long de la liste, les profils 10 d'utilisateur contextuels peuvent être utilisés pour créer des listes de contenus variables en fonction du temps de façon optimisée. De cette manière, la liste peut prendre en compte la durée de chaque contenu, par exemple vidéo ou action, pour affiner chaque recommandation. La figure 12a illustre la manière dont les systèmes de recommandation peuvent 15 utiliser des profils d'utilisateur contextuels pour créer des listes de contenus. Les profils d'utilisateur classiques peuvent également être utilisés d'une manière similaire pour créer des listes personnalisées.

En outre, afin de prendre en compte la variation temporelle des données de 20 contexte associées à l'utilisateur, on dispose d'une liste provisoire. Puis on prévoit les données de contexte à l'issue d'une consommation de chaque contenu de la liste. Puis, on compare les données de profil du contenu de la liste avec les données de profil de l'utilisateur comprenant les données de contexte prévues selon le critère de comparaison de recommandation. Si le critère de comparaison de recommandation 25 est satisfait, on maintient le contenu comparé dans la liste. A l'inverse, si le critère de comparaison de recommandation n'est pas satisfait, on supprime le contenu comparé de la liste. Ainsi, on anticipe la consommation des contenus et on prend en compte la durée de chaque contenu dans le contexte qui servira à la sélection du prochain 30 contenu. Avec ce procédé itératif et ce contexte qui évolue temporellement le long de la construction de la liste, on compare les données actualisées de profil des contenus avec les données de profil de l'utilisateur selon le critère de comparaison de recommandation dans le cadre d'un contexte anticipé afin de sélectionner le meilleur contenu et de l'intégrer dans la liste à un moment pré-défini par le contexte considéré 35 avant de déterminer le prochain contenu sur la liste. Cette sélection du meilleur contenu correspond à la satisfaction du critère de comparaison de recommandation. La liste peut alors être définie de manière limitée et rafraîchie au fur et à mesure de sa 2973133 - 28 - consommation afin que l'utilisateur puisse avoir l'impression qu'elle soit illimitée et qu'elle s'adapte constamment à son contexte. Par exemple, supposons que deux utilisateurs veulent regarder des vidéos un samedi soir. « Regarder des vidéos » est l'action demandée 1201. Le contexte 5 temporel (samedi soir) et le lieu ont été enregistrés par les extensions, ainsi que l'humeur des utilisateurs par le module d'extraction de l'humeur (voir 506 sur la figure 5) le long de la journée. Maintenant que le contexte 1202 a été déterminé pour les utilisateurs 1-2 (à savoir temps, lieu, humeur, action) et que chaque profil d'utilisateur contextuel 1203 a été actualisé, des algorithmes de recommandation peuvent être 10 appliqués à chaque profil d'utilisateur pour construire une liste de contenus. Une intersection correspondant au meilleur compromis entre les deux listes de préférences donnerait lieu à de la recommandation contextuelle pour des vidéos de durée déterminée. Le procédé est alors répété 1206 après avoir tenu compte de la durée des premières vidéos recommandées. Le contexte de la seconde itération sera le 15 même que celui de la première à la différence près que la seconde recommandation commencera à un temps correspondant au contexte actuel plus la durée de la vidéo recommandée dans la première itération. De cette manière, pour la liste de vidéos se construit en tenant compte de l'évolution du contexte au cours du temps. Dans un autre mode de réalisation, on actualise les données de contexte au fur 20 et à mesure de la consommation de chaque contenu de la liste. Ainsi, on actualise les données de contexte après une consommation d'un contenu de la liste. Puis, on compare les données de profil des contenus de la liste avec les données de profil de l'utilisateur comprenant les données de contexte actualisées selon le critère de comparaison de recommandation. Si le critère de comparaison de recommandation 25 est satisfait, on maintient les contenus comparés dans la liste. Si le critère de comparaison de recommandation n'est pas satisfait, on supprime le ou les contenus comparés de la liste. Les deux modes de réalisation décrits ci-dessus peuvent être combinés ou utilisés séparément. 30 La figure 12b illustre le fait que les recommandations sociales peuvent également être intégrées dans la liste ci-dessus. Selon un mode de réalisation de l'invention, les recommandations sociales peuvent être appliquées à des recommandations pour chaque profil d'utilisateur avant de déterminer les meilleurs 35 compromis pour les contenus qui constitueront la liste. 2973133 - 29 - La figure 13 décrit un autre mode de réalisation du procédé selon l'invention dans lequel, les données de profil de l'utilisateur comprenant une contrainte temporelle prédéterminée, on construit la liste de contenus de façon à satisfaire la contrainte temporelle prédéterminée. 5 A titre d'exemple et sans limitation, supposons qu'un utilisateur qui désire suivre une émission de télévision qui est diffusée tous les lundi soirs à 22 heures en temps réel et qui ne veut absolument pas regarder le même programme en décalé. Cette préférence de l'utilisateur peut être ajoutée à son profil d'utilisateur automatiquement ou l'utilisateur peut le demander explicitement. Supposons alors qu'il soit 8 heures et 10 5 minutes du soir, il reste alors 1 heure et 55 minutes avant le programme préféré de l'utilisateur, qu'il veut voir en live. Le procédé recommande une liste de contenus vidéo adaptée aux préférences de l'utilisateur ayant au plus une durée de 1 heure et 55 minutes pour remplir le temps avant la diffusion du programme préféré. Le procédé décrit dans la figure 13 permet de créer un premier ensemble de recommandations. 15 Dans un mode de réalisation de la présente invention, la vidéo de durée la plus petite parmi le premier ensemble de vidéos recommandées peut être utilisée pour déterminer le contexte de la seconde itération. Le procédé se poursuit sur plusieurs itérations jusqu'à ce que les 1 heure et 55 minutes de contenu soit atteint. De cette manière, une liste de contenus recommandés est produite. En prenant une vidéo de 20 chaque série de recommandations, des combinaisons se construisent pour obtenir des listes de la durée souhaitée, à savoir 1 heure et 55 minutes dans cet exemple. Parmi ces listes, celle qui sera gardée comme liste personnalisée finale est celle la plus appropriée par rapport au profil d'utilisateur contextuel le long de la liste et de son contexte temporel, notamment la contrainte temporelle prédéterminée. Les 25 recommandations sociales peuvent être appliquées au procédé décrit ci-dessus, de manière similaire à la figure 12b.

La figure 14 illustre comment les utilisateurs peuvent créer leurs propres listes à partir de leurs profils d'utilisateur contextuels. Un tel contrôle de l'utilisateur peut être 30 obtenu en lui permettant d'ajouter des filtres pour modifier la liste proposée. Les filtres peuvent être utilisés pour limiter la base de données des contenus qui peuvent être ajouté à la liste. Par exemple, supposons un utilisateur qui souhaite créer une liste de vidéos avec des films concernant uniquement les dinosaures. L'utilisateur enregistre le mot-clé «dinosaure» pour filtrer et exclure les contenus qui ne contiennent pas des 35 métadonnées concernant de près ou de loin les dinosaures. D'autres préférences peuvent être aussi enregistrées dans le système de création de la liste pour ajouter des filtres comme «seulement des vidéos de longue durée» et spécifier les sources 2973133 - 30 - acceptées de contenus pour la construction de la liste. Ces sources de contenu peuvent comprendre des services de Vidéo à la Demande, des chaînes de télévision, des studios de production ou des éditeurs ou agrégateurs de contenu web vidéos. Des filtres divers et variés peuvent être ajoutés, comme par exemple, des filtres se 5 rapportant au type d'audience visée (plus de 18 ans par exemple), le genre du contenu, sa durée et sa disponibilité. Avec toutes les informations provenant des différents filtres utilisés par l'utilisateur, le processus, décrit dans la figure 12a, ou 12b si les recommandations sociales sont intégrées, peut être utilisé sur la base de données limitées par les filtres. 10 Ceci permettra de recommander de manière contextuelle, potentiellement sociale aussi, une liste de contenus en réponse aux filtres utilisés.

Tout ou partie des étapes du procédé de construction pourront être commandées au moyen d'un programme d'ordinateur comprenant des instructions de 15 code aptes à effectuer cette commande. On pourra prévoir d'enregistrer un tel programme sur un support de données tel qu'un disque CD ou DVD, une mémoire flash ou un disque dur. On peut aussi prévoir de mettre ce programme à disposition sur un réseau de télécommunication.

20 Installation pour la construction des listes de contenus adaptée pour un utilisateur On a représenté une telle installation sur la figure 15 qui utilise les éléments de l'installation pour la recommandation. L'installation comprend notamment un périphérique 1512 de stockage des données du profil des utilisateurs, ici la base de 25 stockage des profils et un périphérique 1512 de stockage des données des profils des contenus de la liste. En outre, l'installation comprend un processeur numérique adapté pour exécuter un programme d'ordinateur tel que décrit ci-dessus. Le moteur de recommandation peut implémenter les procédés décrits ci-dessus pour créer les listes de contenus à partir des profils de contenu et des profils 30 d'utilisateur contextuels. Les contenus peuvent être transmis directement depuis les serveurs qui stockent les contenus indexés ou via un réseau de distribution de contenu 1515 qui conservera des copies du contenu pour maximiser la bande-passante et éviter tout encombrement de la bande-passante. Ce contenu peut être délivré à l'interface connectée spécifiée par l'utilisateur.

35 L'installation ci-dessus peut également servir au recensement des constructions de listes de contenus. L'invention ne se limite pas aux modes de réalisation précédemment décrits. 2973133 - 31 - En outre, on pourra exploiter un procédé d'actualisation d'au moins un profil d'utilisateur comprenant au moins une donnée de profil, dans lequel: l'utilisateur du profil effectue une action sur une page web ou sur une application logicielle connectable à un réseau de télécommunication, 5 on détermine au moins une donnée de remontée de l'action générée par l'action de l'utilisateur, on extrait au moins une donnée d'interprétation de la ou des données de remontée de l'action, et on modifie la ou les données de profil de l'utilisateur à partir de la ou des 10 données d'interprétation, sans nécessairement mettre en oeuvre les procédés de création de profils, de recommandation de contenus ou de construction de liste décrits ci-dessus. En outre, on pourra exploiter un procédé de création d'au moins un profil d'utilisateur comprenant au moins une donnée de profil, dans lequel on détermine la 15 ou les données de profil à partir: d'une donnée d'au moins un profil d'utilisateur tiers, et/ou d'une donnée d'au moins un profil d'utilisateur tiers ayant un lien virtuel avec l'utilisateur, et/ou d'au moins une donnée d'au moins un autre profil de l'utilisateur, et/ou 20 d'au moins une donnée de remontée d'action générée par une action de l'utilisateur alors identifié avec cet autre profil d'utilisateur, et/ou d'une valeur par défaut de la donnée de profil. sans nécessairement mettre en oeuvre les procédés d'actualisation de profils, de recommandation de contenus ou de construction de liste décrits ci-dessus.

25 En outre, on pourra exploiter un procédé de recommandation d'au moins un contenu auprès d'au moins un utilisateur présentant un profil d'utilisateur comprenant au moins une donnée de profil, dans lequel: on détermine au moins une donnée d'un profil du contenu, - on compare la ou les données de profil du contenu avec la ou les données de 30 profil de l'utilisateur selon un critère de comparaison, dit de recommandation, si le critère de comparaison de recommandation est satisfait, on recommande le contenu à l'utilisateur, sans nécessairement mettre en oeuvre les procédés d'actualisation ou de création de profils ou de construction de liste décrits ci-dessus.

35 Enfin, on pourra exploiter un procédé de construction d'une liste de contenus adaptée pour un utilisateur présentant un profil d'utilisateur comprenant une donnée 2973133 - 32 - de profil, dans lequel: on détermine au moins une donnée d'un profil d'un contenu, on compare la ou les données de profil du contenu avec la ou les données de profil de l'utilisateur selon un critère de comparaison, dit de recommandation, 5 - si le critère de comparaison de recommandation est satisfait, on ajoute le contenu à la liste sans nécessairement mettre en oeuvre les procédés d'actualisation ou de création de profils ou de recommandation de contenus.

Claims (21)

1. REVENDICATIONS1. Procédé d'actualisation d'au moins un profil (216) d'utilisateur comprenant au moins une donnée (101) de profil, caractérisé en ce que: - l'utilisateur du profil (216) effectue une action (208, 209) sur une page web ou sur une application logicielle connectable à un réseau de télécommunication, - on détermine au moins une donnée de remontée de l'action générée par l'action (208, 209) de l'utilisateur, - on extrait au moins une donnée d'interprétation de la ou des données de remontée de l'action (208, 209), et - on modifie la ou les données (101) de profil (216) de l'utilisateur à partir de la ou des données d'interprétation.
2. 2. Procédé selon la revendication précédente, dans lequel la ou les données d'interprétation comprennent au moins une donnée de contexte associée à l'utilisateur et/ou à l'action de l'utilisateur.
3. 3. Procédé selon la revendication précédente, dans lequel la ou les données de contexte comprennent au moins un élément sélectionné parmi le groupe constitué par une date, une heure, un lieu, le type d'appareil utilisé, une humeur de l'utilisateur et une condition socio-professionnelle, professionnelle ou personnelle de l'utilisateur.
4. 4. Procédé selon l'une quelconque des revendications précédentes, dans lequel: - on compare la ou les données de remontée de l'action (208, 209) avec au moins une donnée de référence selon un critère de comparaison, dit de référence, - si le critère de comparaison de référence est satisfait, on extrait la ou les données d'interprétation de la ou des données de remontée de l'action (208, 209).
5. 5. Procédé selon l'une quelconque des revendications précédentes, dans lequel on créé le profil (216) d'utilisateur en déterminant la ou les données de profil (216) à partir d'au moins un élément sélectionné parmi le groupe constitué par une donnée d'au moins un profil d'utilisateur tiers, une donnée d'au moins un profil d'utilisateur tiers ayant un lien virtuel avec l'utilisateur, au moins une donnée d'au moins un autre profil de l'utilisateur, au moins une donnée de remontée d'action générée par une action de l'utilisateur alors identifié avec cet autre profil d'utilisateur et une valeur par défaut de la donnée de profil.
6. 6. Procédé selon l'une quelconque des revendications précédentes, dans lequel on recommande au moins un contenu auprès de l'utilisateur en mettant en oeuvre les étapes suivantes:- 34 - - on détermine au moins une donnée d'un profil du contenu, - on compare la ou les données de profil du contenu avec la ou les données de profil (216) de l'utilisateur selon un critère de comparaison, dit de recommandation, - si le critère de comparaison de recommandation est satisfait, on recommande le contenu à l'utilisateur.
7. 7. Procédé selon la revendication 6, dans lequel la ou des données de profil de l'utilisateur comprennent au moins une donnée de contexte associée à l'utilisateur.
8. 8. Procédé selon la revendication 7, dans lequel la ou les données de contexte associées à l'utilisateur comprennent au moins un élément sélectionné parmi le groupe constitué par une date et/ou une heure, un lieu, le type d'appareil utilisé, une humeur de l'utilisateur et une condition socio-professionnelle, professionnelle ou personnelle de l'utilisateur.
9. 9. Procédé selon l'une quelconque des revendications 6 à 8, dans lequel la ou les données (101) du profil (216) de l'utilisateur comprenant au moins une appréciation par l'utilisateur d'un contenu analogue: - on compare la ou les données de profil du contenu avec au moins une donnée d'un profil du contenu analogue selon un critère de comparaison, dit d'analogie, - si le critère de comparaison d'analogie est satisfait, on prend en compte l'appréciation par l'utilisateur du contenu analogue pour la recommandation.
10. 10. Procédé selon l'une quelconque des revendications 6 à 9, dans lequel on modifie la ou les données du profil du contenu à partir d'au moins un élément sélectionné parmi le groupe constitué par au moins une donnée de remontée provenant d'un réseau social du réseau de télécommunication, au moins une donnée de remontée provenant d'un site du réseau de télécommunication, au moins une donnée de profil de l'utilisateur, au moins une donnée de profil d'un utilisateur tiers ayant un lien virtuel avec l'utilisateur et au moins une donnée de profil d'un utilisateur tiers.
11. 11. Procédé selon l'une quelconque des revendications 6 à 10, dans lequel on prend en compte l'appréciation par un utilisateur tiers du contenu, l'utilisateur tiers ayant déjà utilisé le contenu et étant choisi parmi: - un utilisateur tiers dont la ou les données de profil satisfait ou satisfont un critère de comparaison avec la ou les données de profil (216) de l'utilisateur, - un utilisateur tiers ayant un lien virtuel avec l'utilisateur.
12. 12. Procédé selon l'une quelconque des revendications précédente, dans lequel on construit une liste de contenus adaptée pour l'utilisateur en mettant en- 35 - oeuvre les étapes suivantes: - on détermine au moins une donnée d'un profil d'un contenu, - on compare la ou les données de profil du contenu avec la ou les données (101) de profil (216) de l'utilisateur selon un critère de comparaison, dit de recommandation, - si le critère de comparaison de recommandation est satisfait, on ajoute le contenu à la liste.
13. 13. Procédé selon la revendication 12, dans lequel la ou les données du profil (216) de l'utilisateur comprenant au moins une appréciation par l'utilisateur d'un contenu analogue: - on compare la ou les données de profil du contenu avec au moins une donnée d'un profil du contenu analogue selon un critère de comparaison, dit d'analogie, - si le critère de comparaison d'analogie est satisfait, on prend en compte l'appréciation par l'utilisateur du contenu analogue pour la recommandation.
14. 14. Procédé selon la revendication 12 ou 13, dans lequel on prend en compte l'appréciation par un utilisateur tiers du contenu, l'utilisateur tiers ayant déjà utilisé le contenu et étant choisi parmi: - un utilisateur tiers dont la ou les données de profil satisfait ou satisfont un critère de comparaison avec la ou les données de profil (216) de l'utilisateur, - un utilisateur tiers ayant un lien virtuel avec l'utilisateur.
15. 15. Procédé selon l'une quelconque des revendications 12 à 14, dans lequel la ou les données (101) de profil (216) de l'utilisateur comprennent au moins une donnée de contexte associée à l'utilisateur.
16. 16. Procédé selon la revendication 15, dans lequel la ou les données de contexte associées à l'utilisateur comprennent au moins un élément sélectionné parmi le groupe constitué par une date et/ou une heure, un lieu, le type d'appareil utilisé, une humeur de l'utilisateur et une condition socio-professionnelle, professionnelle ou personnelle de l'utilisateur.
17. 17. Procédé selon la revendication 15 ou 16, dans lequel: - on actualise la ou les données de contexte après une consommation d'un contenu de la liste, - on compare la ou les données actualisées de profil du ou des contenus de la liste avec la ou les données de profil (216) de l'utilisateur comprenant la ou les données de contexte actualisées selon le critère de comparaison de recommandation, - si le critère de comparaison de recommandation est satisfait, on maintient le ou les contenus comparés dans la liste, et - si le critère de comparaison de recommandation n'est pas satisfait, on- 36 - supprime le ou les contenus comparés de la liste.
18. 18. Procédé selon l'une quelconque des revendications 15 à 17, dans lequel: - on prévoit la ou les données de contexte à l'issue d'une consommation d'au moins un contenu de la liste, - on compare la ou les données de profil du contenu de la liste avec la ou les données de profil (216) de l'utilisateur comprenant la ou les données de contexte prévues selon le critère de comparaison de recommandation, - si le critère de comparaison de recommandation est satisfait, on maintient le contenu comparé dans la liste, et si le critère de comparaison de recommandation n'est pas satisfait, on supprime le contenu comparé de la liste.
19. 19. Procédé selon l'une quelconque des revendications 12 à 18, dans lequel, la ou les données de profil (216) de l'utilisateur comprenant une contrainte temporelle prédéterminée, on construit la liste de contenus de façon à satisfaire la contrainte temporelle prédéterminée
20. 20. Programme d'ordinateur, caractérisé en ce qu'il comprend des instructions de code aptes à commander l'exécution des étapes d'un procédé selon l'une quelconque des revendications précédentes lorsqu'il est exécuté sur un dispositif comprenant un processeur.
21. 21. Installation pour l'actualisation d'au moins un profil (216) d'utilisateur comprenant au moins une donnée (101) de profil, caractérisé en ce qu'elle comprend: - un périphérique (612) de stockage de la ou des données du profil (216) d'utilisateur, - un périphérique (609) de stockage d'au moins une donnée de remontée d'action générée par une action de l'utilisateur sur une page web, - un processeur adapté pour exécuter un programme d'ordinateur selon la revendication 20.