Des social graph aux interest graph

Souvenez-vous, il y a deux ans je vous parlais de Gravity, une start-up qui avait pour ambition de révolutionner les forums : Gravity = Forum 2.0 ?. La particularité de cette start-up était de miser sur un algorithme assez complexe permettant d’enrichir les profils des membres en fonction de leurs lectures / contributions. Traduction : des profils qualifiés en fonction de ce que les utilisateurs font et non de ceux qu’ils connaissent. Cette approche centrée sur les goûts n’est ps nouvelle, car elle est déjà utilisée par des services de recommandation musicale comme Pandora. Celles et ceux qui ont pu tester Pandora il y a quelques années (avant la restriction aux utilisateurs US) savent a quel point leur moteur de recommandation est supérieur aux autres. La clé de cette supériorité est de fonder les recommandations sur les goûts réels des membres (en fonction des musiques qu’ils ont appréciées ou détestées) en non sur les goûts moyens de la communauté (“Les membres qui aiment x aiment aussi y“).

Tout le problème des systèmes de recommandation communautaires est qu’ils ont tendance à niveler par le bas et ne vous propose que les produits qui ont une bonne popularité moyenne auprès de la communauté. En conséquence de quoi, le système vous recommande les produits les plus connus, ceux que vous connaissez déjà. Par la suite, les moteurs de recommandation ont ajouté une dimension sociale en restreignant le panel à vos amis. OK, mais en quoi mes amis sont légitimes pour me recommander des chansons, films ou fringues ? Toute la fragilité des recommandations fondées sur le graphe social est que mes amis n’ont pas forcément les mêmes goûts ou centres d’intérêt de moi, surtout le second cercle d’amis à la Facebook (les amis d’amis).

Par opposition au social graph (vos amis ou assimilés), le taste graph (ou interest graph) ne repose pas sur vos amis, mais sur les personnes qui partagent les mêmes goûts ou les mêmes centres d’intérêt. Ces personnes peuvent être des parfaits inconnus, mais ils peuvent vous aider à dénicher l’artiste, le film ou la fringue que vous n’auriez pas trouvé tout seul par hasard. Il existe ainsi plusieurs services qui vous proposent de suivre des personnes ayant les mêmes goûts en matière de musique, cinéma ou séries TV comme GetGlue ou le français Ulike récemment racheté par L’Express.

Des services intéressants qui font écho aux pratiques de following en vigueur sur Twitter qui reposent sur la pertinence plutôt que sur la proximité sociale : Why Twitter Is Massively Undervalued Compared To Facebook.

À partir de là, nous pouvons commencer à nous intéresser de très près à des moteurs de recommandation qui cumulent graphes sociaux (ceux que vous connaissez), graphes d’intérêts (ceux qui ont les mêmes goûts que vous) et algorithme auto-apprenant (en fonction de vos déclarations d’intérêt). C’est par exemple la promesse de StyleFeeder, un portail de social shopping.

Certains y voient l’avenir du commerce en ligne, ou plutôt l’évolution logique du social shopping (So What Comes After Social Commerce?), et ils ont bien raison ! Encore faut-il faire les choses correctement et avec un minimum d’ambitions. C’est visiblement pour Hunch, la nouvelle coqueluche de la Silicon Valley : The Ever-expanding Taste Graph.

Les équipes de Hunch revendiquent ainsi une gigantesque base de données de plus de 30 milliards de connexions qui prend en compte :

• Les centres d’intérêt que vous avez déclarés lors de la création de votre profil (une série de questions) ;
• Les notes que vous avez attribuées à un certain nombre de produits (directement sur leur site) ;
• Les appréciations que vous avez données au travers des Like de Facebook ;
• Les lieux que vous avez fréquentés (en récupérant les données de géolocalisation de services comme Foursquare) ;
• Les goûts de vos amis (en reliant votre compte à vos profils Facebook et Twitter) ;
• Les données issues des sites partenaires qui exploitent la plateforme.

C’est surtout cette dernière possibilité qui rend Hunch particulièrement attractif : pouvoir exploiter le moteur de recommandation et le greffer sur un site de commerce en ligne à l’image de Gifts. J’ai toujours été sceptique sur l’utilisation du graphe social comme moteur de recommandation, mais le fait de combiner graphe social et graphe d’intérêts devrait permettre d’améliorer considérablement la qualité du ciblage et des recommandations : Why the Interest Graph Will Reshape Social Networks and the Next Generation of Internet Business.

Je ne connais pas d’exemple de commerçants français ayant mis en oeuvre ce couplage, ni de retour d’expérience chiffré là-dessus (taux de transformation avec/sans). Si vous avez des sources, merci de les mentionner dans les commentaires.