L'informatique subit actuellement une mutation profonde: les améliorations maté- rielles et les grandes quantités de données disponibles fournissent un terrain fertile à la re- cherche en apprentissage automatique. Dans ce contexte, le principal défi est de tenir compte des préférences des utilisateurs pour proposer un accès personnalisé à l'information. Les sys- tèmes de recommandation créent des profils utilisateurs et objets en utilisant les revues utilisa- teurs, et ces profils reflètent les préférences des utilisateurs et les caractéristiques des objets. Nous proposons ici une analyse par combinaison de systèmes de recommandation et classifieurs de polarité qui met en évidence le vocabulaire de la surprise. En effet, la recommandation ana- lyse le passé et anticipe les attentes d'un utilisateur tandis que le classifieur de polarité prend en entrée une revue déjà écrite par l'utilisateur: nous montrons que l'écart entre l'expérience attendue et le retour réel sur un objet permet de construire un lexique de la surprise.