Cette thèse traite de la recommandation de livres en arabe à partir de sources hétérogènes, en conciliant personnalisation, explicabilité et adaptation temporelle. À partir d’un corpus Goodreads, nous mettons en place un pipeline traçable : normalisation des avis (MSA/dialectes), déduplication et nettoyage, harmonisation des métadonnées (auteur, titre, description), et enrichissement sémantique parcimonieux. Nous proposons D-MARS, qui encode chaque modalité selon sa nature (avis via un modèle de langue adapté à l’arabe dialectal, notes via un perceptron ordinal, métadonnées via des représentations dédiées), puis agrège par attention hiérarchique combinant pondérations intra-vue (métadonnées) et inter-vues (calibrage des sources) avant la modélisation des interactions. L’extension D-MARS+ introduit un apprentissage incrémental par sessions avec rejouage contrôlé, limitant l’oubli et stabilisant la qualité au fil du temps. L’évaluation (split temporel strict, ablations, sensibilité) s’appuie sur une lecture interprétable des poids d’attention, montrant comment l’information se répartit entre avis, métadonnées et notes selon la richesse des entrées.
Les contributions portent sur (i) un corpus nettoyé et un pipeline reproductible adaptés aux spécificités arabes, (ii) une fusion explicable exploitant la complémentarité des vues sans complexité superflue, et (iii) une stratégie incrémentale simple et efficace améliorant la cohérence temporelle des rangs. Les limites concernent le bruit dialectal, la complétude inégale des métadonnées et le coût d’encodage. Les perspectives incluent des objectifs mieux alignés sur le rang, la distillation/quantification pour l’inférence, l’adossement à un graphe sémantique (auteurs/thèmes) et des évaluations in vivo intégrant diversité, équité et robustesse.