Systèmes Intelligents de Recommandation Alimentaire

Abstract

Today, recommender systems play a crucial role in the food sector by facilitating access to personalized suggestions for recipes, restaurants, or nutritional plans. Faced with the diversity and richness of food options available online, these systems effectively guide users in their dietary choices. This thesis explores recommendation techniques applied to the food domain, highlighting classical approaches such as collaborative filtering, content-based systems, and hybrid methods. Each approach is analyzed in detail to understand its advantages, limitations, and relevance in the food context. Furthermore, this work examines recent advances in artificial intelligence, particularly the use of machine learning and deep learning, to improve recommendation quality. The integration of user context, such as dietary restrictions, health goals, location, or time of day, is also addressed as a key lever for personalization. Through this study, we highlight current challenges, domain-specific issues, as well as opportunities for improvement offered by emerging technologies in the design of more intelligent and relevant food recommender systems.***

Aujourd’hui, les systèmes de recommandation jouent un rôle crucial dans le secteur alimentaire en facilitant l’accès à des suggestions personnalisées de recettes, de restaurants ou de plans nutritionnels. Face à la diversité et à la richesse des options alimentaires disponibles en ligne, ces systèmes permettent d’orienter efficacement les utilisateurs dans leurs choix alimentaires. Ce mémoire explore les techniques de recommandation appliquées au domaine alimentaire, en mettant en lumière les approches classiques comme le filtrage collaboratif, les systèmes basés sur le contenu et les méthodes hybrides. Chaque approche est analysée en détail afin de comprendre ses avantages, ses limites et sa pertinence dans le contexte alimentaire. En outre, ce travail examine les récentes avancées en intelligence artificielle, notamment l’utilisation de l’apprentissage automatique et de l’apprentissage profond, pour améliorer la qualité des recommandations. L’intégration du contexte utilisateur, telle que les restrictions alimentaires, les objectifs de santé, la localisation ou l’heure de la journée, est également abordée comme un levier important de personnalisation. À travers cette étude, nous mettons en évidence les enjeux actuels, les défis spécifiques du domaine, ainsi que les perspectives d’amélioration offertes par les technologies émergentes dans la conception de systèmes de recommandation alimentaires plus intelligents et plus pertinents.