Résumé:
Les systèmes de recommandation jouent un rôle crucial dans notre ère numérique
en guidant les utilisateurs à travers l'abondance d'informations en ligne. Ces algorithmes
analysent les données utilisateur pour suggérer des articles, produits ou services
correspondant à leurs préférences. Dans le secteur du transport, ils facilitent la planification
de voyages, suggèrent des itinéraires optimisés et améliorent l'expérience des voyageurs.
Ce mémoire propose une étude comparative des méthodes de recommandation,
notamment la marche aléatoire, la mesure de Katz, la méthode K plus proche voisin
(Kppv), et la factorisation matricielle. Les résultats montrent que la décomposition en
valeurs singulières (SVD) est la meilleure approche, présentant l'erreur la plus faible.
Nous intégrons également la recommandation d'itinéraires, permettant de suggérer
des trajets optimisés selon les préférences des utilisateurs, les conditions de circulation et
les options de transport disponibles. Cette combinaison vise à améliorer l'expérience des
voyageurs et optimiser la planification des déplacements.
