Abstract:
Le memoire presente une étude sur les syst`emes de recommandation, qui sont largement utilisés pour fournir
des suggestions adaptées aux préférences des utilisateurs dans divers domaines . Ces syst`emes estiment l’intérˆet
d’un utilisateur pour une ressource spécifique en se basant sur ses informations personnelles et les choix des
utilisateurs similaires.
Dans cette recherche, une approche hybride a été développée en combinant la régression linéaire et la distance
Haversine pour recommander le fournisseur de transport le plus rapide et le taxi le plus proche `a l’utilisateur.
La régression linéaire est utilisée pour prédire la durée des trajets, tandis que la distance Haversine permet de
calculer la distance géographique entre l’utilisateur et les taxis.
Cette approche hybride offre une solution efficace pour recommander des options de transport personnalisées
aux utilisateurs, en prenant en compte `a la fois la durée du trajet et la proximité géographique. Elle permet
ainsi d’améliorer l’expérience utilisateur en proposant des choix pertinents et adaptés `a leurs besoins.
Ce mémoire contribue `a l’avancement des syst`emes de recommandation en proposant une méthode hybride
spécifique au domaine du transport, qui peut ˆetre étendue `a d’autres domaines nécessitant des recommandations
basées sur des crit`eres géographiques et temporels. Les résultats obtenus démontrent l’efficacité de cette approche
et ouvrent des perspectives intéressantes pour l’améioration continue des syst`emes de recommandation.
