Après plusieurs mois de travail, nous sommes enfin prêts à tester notre moteur de recommandation de contenu, qui sera le pilier de l'approche « découverte sociale personnalisée » que nous développons pour faveeo.com.

La mise en béta de ce code sur Geekomatik.com est idéale, car nous pourrons, avec les utilisateurs de Geekomatik.com intéressés par ce genre de systèmes, développer un système multi-critères de haute qualité, en attendant le lancement de faveeo!

Il va sans dire que pour  moi c'est un moment exceptionnel puisque l'idée de mettre un système de recommandation de contenus sur Geekomatik.com me trotte dans la tête depuis déjà au moins deux ans.  Grâce au lancement de mon entreprise de développement web, (www.agenceinovae.com/fr) nous avons maintenant les ressources pour amener ce projet à maturité!

Pourquoi la recommandation de contenu?

La recommandation de contenu réponds à une nouvelle manière d'utiliser le web, surtout dans le domaine de l'information, ou l'on est en train de passer de l'ère de la recherche, à l'ère de la découverte.

Bref, notre moteur veut utiliser la puissance de l'intelligence collective de la communauté pour pouvoir pousser du contenu automatiquement à chaque utilisateur selon leurs intérêts, leurs goûts, etc.

 Cette méthode de diffusion de contenu que j'appelle le « narrowcasting » permets aux utilisateurs de continuer à découvrir du contenu, comme dans les réseaux sociaux, mais d'utiliser l'intelligence générale pour obtenir un contenu déjà pré-filtré et recommandé par une communauté plus large que leur seul réseau personnel!

De plus, grâce à son intégration avec le web sémantique notre moteur de recommandation de contenu ne se contente pas de mettre des utilisateurs en relation automatiquement selon le contenu qu'ils ont lu, mais aussi selon les tags qui les intéressent!

L'objectif de ce nouveau moteur est multiple. A la fois, l'idée est de mettre en contact des auteurs et des lecteurs, en automatisant la découverte de nouveau contenu! Les auteurs pourront avoir plus de lecteurs, et les lecteurs, eux, auront un accès facile à du contenu de bonne qualité et qui correspond à leurs intérêts!

Pour tester le système, rien de plus simple il suffit simplement de se connecter au site, et de cliquer sur le contenu normalement. Le système analyse vos interactions avec l'information sur le site et détermine au fur et à mesure votre profil. Une fois ce profil déterminé, le site commencera à vous mettre en relations avec d'autres utilisateurs, c'est à dire que vous recevrez des recommandations de la part d'autres membres du réseau tout à fait automatiquement!

Comment obtenir des recommandations de qualité?

Pour le moment, il faut utiliser Geekomatik pendant quelques temps pour qu'il apprenne et automatise la création de votre réseau. Utiliser geekomatik.com comme source de news geek et high tech pourrait être une bonne idée! Après quelques scéances de browsing sur le site vous devriez commencer à avoir un bon flux de recommandations! Donnez-nous en des nouvelles! 

Comment accéder aux recommandations?  

Pour le moment, les recommandations sont accessibles sur le site directement, mais d'ici quelques jours nous serons en mesure de fournir des flux rss, ainsi que quelques autres surprises qui permettront aux utilisateurs de ne pas devori se connecter au site à chaque fois pour voir leur contenu recommandé!

 Sans plus tarder... 

Pour se connecter : http://www.geekomatik.com/user (accepte le Open ID)

Pour en savoir plus sur notre moteur de recommandations : http://encoreungeek.com/cherche-volontaires-pour-tester-notre-syst-me-de-recommandation-de-contenu 

 

En terminant, quelques screenshots!

 

La nouvelle section perso.. très rudimentaire pour le moment... 

 

 

Premières recommandations pour mon utilisateur test qui aime bien les applications iPhone apparemment! 

 

N'oubliez pas que vous devez voter, visiter, lire pour fournir au système suffisamment de méta-données! 

J'attends vos commentaires sur ce billet, ou directement ici : http://www.geekomatik.com/contact

Technorati Tags: