TOUATI Yanis2025-01-252025-01-252025-01-25https://dspace.estin.dz/handle/123456789/39Cette dissertation présente une analyse complète des systèmes de recommandation, en se concentrant sur l’intégration de données visuelles pour améliorer la précision et la fiabilité des recommandations. Le premier chapitre fournit une introduction générale aux systèmes de recommandation, soulignant leur importance dans nos technologies actuelles. Le second chapitre se base sur l’état de l’art des systèmes de recommandation, et des méthodologies récentes et traditionnelles, avec un accent particulier sur l’incorporation de données visuelles. Le chapitre met en évidence le potentiel transformateur de l’intégration des données visuelles dans l’élaboration d’expériences de recommandation personnalisées sur différentes plates-formes et domaines, puis nous concluons l’étude en synthétisant les résultats et en discutant des orientations de recherche futures dans le domaine de la technologie de recommandation, en mettant l’accent sur les défis et les opportunités associés à l’intégration de données visuellesThis dissertation presents a comprehensive analysis of recommender systems, focusing on the integration of visual data to enhance recommendation accuracy and reliability. Chapter One provides a General introduction to recommender systems, emphasizing their importance in our nowadays technologies. Chapter Two explores the state-of-the-art in recommender systems, discussing various methodologies and advancements, with a particular focus on the incorporation of visual data. The chapter highlights the transformative potential of visual data integration in shaping personalized recommendation experiences across different platforms and domains and then we conclude the study by synthesizing the the summarizing of the State-of-the-Art and the challenges associated with visual data integration.enArtficial IntelligenceCollaborative FilteringVisual Data IntegrationRecommender SystemsContent-Based RecommendationFeature Extraction.Thesis