Combiner les réseaux sociaux avec les systèmes de recommandations a été prouvé pour augmenter la précision de la recommandation. Mais la plupart des travaux dans ce domaine utilise les actions et les relations des utilisateurs dans les réseaux sociaux afin d’adapter le calcul de similarité entre les utilisateurs pour améliorer la recommandation. La similarité est majoritairement calculée globalement, ignorant qu’un utilisateur ressemble à plusieurs amis dans différents domaine. En outre, le filtrage collaboratif utilise la correspondance exacte des articles accédé par les utilisateurs. Deux personnes peuvent ne pas se ressembler même en partageant la passion pour des articles appartenant à la même catégorie mais ayant différents noms. En plus, ces systèmes se basent sur le retour explicits des utilisateurs (classement, évaluation) et souffre du problème du démarrage à froid dans le cas de nouveaux articles et ceci malgré l’abondance d’informations répandues sur les réseaux sociaux. Enfin, ces systèmes sont entraînés et testés hors-ligne. Notre plate-forme iSoNTRE surmonte les obstacles précédents. iSoNTRE est un moteur générique. La méthodologie se concentre sur comment transformer les réseaux sociaux en une source qui alimente les systèmes de recommandation. Nous travaillons à transformer les actions implicites des utilisateurs sur les articles et les liens dans les réseaux sociaux en classement sur les concepts, nous construisons des profils d’utilisateurs dans différents domaines (différents facettes pour chaque utilisateur). Ainsi nous obtenons une matrice d’utilisateurs, concepts et les classements prédits. Cette matrice sera utilisée comme source pour un nouveau système de recommandation ou combinée avec les méthodes existantes pour en améliorer la performance. Nous avons effectué des tests réels sur Twitter en utilisant 86,500 profiles et le retour d’expérience de 5800 utilisateurs.