Un service qui m’a souvent manqué dans mes interactions avec les catalogues de bibliothèque est une recommandation des livres qui pourraient m’intéresser sur base de mes prêts passés. Cela permet de découvrir des livres qui pourraient nous avoir échappé, et j’utilise assez souvent cette fonctionnalité sur Babelio pour trouver ma prochaine lecture.

Dans le cadre de cet article, je vais m’appuyer sur le code provenant d’un livre : Programming Collective Intelligence de Toby Segaran.

Les données

En ce qui concerne les données nécessaires, elles sont assez simples. J’ai besoin d’avoir une liste des lecteurs, et pour chaque lecteur, une liste des titres de ressources empruntées. Dans un fichier JSON, cela ressemblera à

{
	"Lecteur 1" : {
		"Titre 1": 1,
		"Titre 2": 1
	},
	"Lecteur 2" : {
		"Titre 3": 1,
		"Titre 4": 1
	},
	"Lecteur 3" : {
		"Titre 1": 1,
		"Titre 3": 1
	}
}

Le chiffre 1 à côté du titre représente juste le fait que la ressource a été empruntée, un 0 signifiant que la ressource n’a pas été empruntée.

À priori, ces données ne devraient pas être trop difficiles à sortir d’un SIGB.

Le code

La première étape consiste à uniformiser les données, c’est-à-dire à renseigner les ouvrages non empruntés pour chaque utilisateur. Voici le code Python :

def fill_resources(patrons):
    all_resources = {}

	for patron in patrons:
        for resource, rating in patrons[patron].items():
            all_resources[resource] = 1

    for ratings in patrons.values():
        for item in all_resources:
            if item not in ratings:
                ratings[item] = 0.0

La deuxième étape est d’utiliser une méthode pour calculer la similarité entre deux usagers. Pour cela, nous utiliserons le coefficient de corrélation de Pearson :

def sim_pearson(loans, p1, p2):
    si = {}
    for item in loans[p1]:
        if item in loans[p2]:
            si[item] = 1

    n = len(si)

    if n == 0:
        return 0

    sum1 = sum([loans[p1][it] for it in si])
    sum2 = sum([loans[p2][it] for it in si])

    sum1Sq = sum([pow(loans[p1][it], 2) for it in si])
    sum2Sq = sum([pow(loans[p2][it], 2) for it in si])

    pSum = sum([loans[p1][it] * loans[p2][it] for it in si])

    num = pSum - (sum1 * sum2 / n)
    den = sqrt((sum1Sq - pow(sum1, 2) / n) * (sum2Sq - pow(sum2, 2) / n))

    if den == 0:
        return 0
    r = num / den

    return r

La dernière partie est le calcul des recommandations :

from math import sqrt


def getRecommendations(loans, patron, similarity=sim_pearson):
    totals = {}
    simSums = {}

    for other in loans:
        if other == patron:
            continue

        sim = similarity(loans, patron, other)

        if sim <= 0:
            continue

        for item in loans[other]:
            if item not in loans[patron] or loans[patron][item] == 0:
                totals.setdefault(item, 0)
                totals[item] += loans[other][item] * sim

                simSums.setdefault(item, 0)
                simSums[item] += sim

    rankings = [(total / simSums[item], item) for item, total in totals.items()]
    rankings.sort()
    rankings.reverse()

    return rankings

Le principe de cette fonction est de prendre les données présentées au début de l’article, et pour chaque lecteur, d’en calculer la similarité avec l’utilisateur passer en argument. Ensuite, pour chaque ressource des autres lecteurs que n’a pas été emprunté par notre utilisateur, nous calculerons deux valeurs :

  1. L’intérêt du lien : la somme des classements (la fameuse valeur 1 à côté du titre) multipliée par la similarité de lecteur ;
  2. La somme totale des similarités par lien.

Nous calculons ensuite un classement en divisant l’intérêt du lien par la somme totale des similarités, nous trions et nous inversons notre tableau que nous pouvons maintenant retourner.

En enfin, il ne reste plus qu’à utiliser le tout via un script :

if __name__ == "__main__":
    patrons = json.loads(pathlib.Path("dataset.json").read_text())
    fill_resources(patrons)
    user = "DI PRETORO, Emmanuel"
    pprint.pprint(getRecommendations(patrons, user)[0:10])

Ce dernier nous donnera le résultat suivant :

[(0.2248029528116556, 'Mettre en oeuvre un plan de classement'),
 (0.17032430641099586, 'Travail et méthodes du documentaliste'),
 (0.1489186043850669, 'Indice, index, indexation'),
 (0.12406349863584056, 'Thésauroglossaire des langages documentaires'),
 (0.12130765684475618, 'De BCDI 2 à PMB'),
 (0.11704262974597515, 'Le métier de documentaliste'),
 (0.1158689821989957, 'Développer la médiation documentaire numérique'),
 (0.11442466410474617, "Les fonctions de l'archivistique contemporaine"),
 (0.11317667874052578, 'Techniques de veille et e-réputation'),
 (0.11219350454890659, "Introduction aux sciences de l'information")]

Comme le jeu de données est basé sur des données réelles, il ne m’est malheureusement pas possible de les communiquer.

Vous trouverez dans ce gist (GitHub) le script complet.