Les systèmes de recommandation en ligne ont pour but de proposer les produits les plus intéressantsaux positions adéquates sur une page internet. Nous présentons un nouvel algorithme, PB-MHB, permettant de faire des recommandations multiples en ligne en suivant un modèle fondé sur les positions. Cet algorithme s’appuie sur le principe des bandits manchots et utilise un échantillonnage de Thompson couplé avec un algorithme de Metropolis-Hastings pour tirer les paramètres des lois probabilistes utilisées, ce qui n’avait jamais été fait dans le contexte d’un modèle basé positions. Notre méthode ne nécessite pas d’avoir en paramètre les probabilités de vue des utilisateurs sur chaque position de la page Web, comme cela est usuellement le cas pour les algorithmes répondant à ce type d’interaction. Celles-ci sont d’ailleurs en pratique difficile à obtenir a priori. Les expériences faites sur des données simulées et sur des données issues de bases de données réelles (KDD-CUP2012 et Yandex) montrent que notre méthode, avec moins d’information, fournit de meilleurs recommandations que l’état de l’art.