De plus en plus, les services développés pour le Web sont personnalisés et adaptatifs, ainsi que l’illustrent une déclaration d’un responsable de Yahoo ! dès 2007 selon lequel « the future of the web is about personalization » (Catone, 2007) et celle du directeur d’eBay « trade tomorrow is personal and based on the data » en 2012 lors de l’intégration des réseaux sociaux dans le site d’enchères 1. Les mécanismes d’adaptation et de filtrage ou sélection des ressources numériques ne sont pas toujours visibles pour l’utilisateur. Pourtant, ils envahissent nos environnements informationnels. Derrière la personnalisation de l’expérience utilisateur, se trouvent des systèmes de recommandation qui sélectionnent des ressources ou des représentations particulières de ces ressources en fonction du profil d’un utilisateur ou de son contexte. En modifiant l’accès des utilisateurs aux ressources, les systèmes de recommandation représentent un gain économique potentiel très important via un accroissement des ventes (Konstan et al., 2012), estimé à 35% par Amazon il y a quelques années (Marshall, 2006). Cependant, les approches habituellement utilisées visent souvent la pertinence des ressources recommandées, c’est-à-dire la prédiction de l’intérêt que l’utilisateur leur aurait accordé. Les systèmes de recommandation sont donc souvent évalués en fonction de ce seul critère. Ils ignorent la variété des objectifs qui peuvent être poursuivis en mettant en place un système de recommandation. Or, dans certains domaines, la satisfaction de l’utilisateur, l’achat ou la pertinence des recommandations ne sont pas les seuls éléments à prendre en considération. La diversité des ressources recommandées est de plus en plus mise en avant. L’exploitation de la longue traîne, composée des ressources les moins populaires peut être un facteur clef pour la réussite des entreprises qui doivent gérer des stocks par exemple. Dans le domaine scientifique, la qualité des recommandations devrait tenir compte de la diversité des perspectives représentées dans l’ensemble des ressources proposées, plutôt que de la seule pertinence de 10 articles proposant une approche similaire (Schwind et al., 2011). La diversité est devenue une thématique de recherche dans le domaine de la recherche d’informations (Simperl et al., 2011, TREC diversity task), mais aussi dans celui des systèmes de recommandation avec la première édition d’un workshop dédié à cette question en 2011 aux Etats-Unis (DiveRs 20112). Elle recouvre à la fois la diversité des ressources recommandées ou consommées par l’ensemble des utilisateurs (diversité agrégée) et la diversité des ressources recommandées à une personne particulière, typiquement le cas d’une liste d’articles scientifiques similaires (diversité individuelle). Différentes stratégies ont été imaginées pour accroître la diversité. Dans ce chapitre, nous proposons de présenter les enjeux liés à la diversité des ressources recommandées par les systèmes de recommandation et de décrire les pistes pour évaluer et accroître la diversité dans les systèmes de recommandation actuels.