De nos jours, les systèmes de recommandation sont utilisés dans de nombreux domaines avec pour objectif d'aider les utilisateurs à découvrir des produits/items intéressants parmi un volume important d'informations en ligne. Alors que les approches de recommandation traditionnelles traitent le cas de relations simples entre utilisateurs et items, les données réelles sont généralement conceptualisées en terme d'objets et de relations entre objets. Les modèles relationnels probabilistes (PRM) [9] ont pour but de faire la passerelle en proposant des modèles probabilistes a partir de données relationnelles. Dans ce travail, nous présentons une adaptation du cadre de recommandation \uni e" propos e initialement par Huang et al. [15] qui utilise le concept des PRM et construit un classifieur de Bayes naïf pour effectuer la recommandation. Nous nous proposons d'utiliser ce modèle dans un contexte de démarrage a froid" o u les utilisateurs ou les items sont nouveaux dans le système, ou même lorsque le système se construit. Nous appliquons cela aux données MovieLens et montrons que ce modèle est capable de faire de bonnes recommandations a des nouveaux utilisateurs, mêeme s'il est trop simple pour la recommandation a des utilisateurs existants.