Le filtrage collaboratif est l’un des sujets fondamentaux des systèmes de recommandation. De nombreuses méthodes ont été proposées pour le filtrage collaboratif, allant de la factorisation matricielle aux approches basées sur les réseaux de convolution graphique. Inspirés par les récents succès des méthodes basées sur le filtrage graphique et des modèles génératifs fondés sur les scores (SGMs, Score-based Generative Models), nous introduisons un nouveau concept : le modèle de processus de flou-aiguisage (BSPM, Blurring-Sharpening Process Model). Les SGMs et les BSPMs partagent la même philosophie de traitement : l’information nouvelle peut être découverte (par exemple, de nouvelles images sont générées dans le cas des SGMs) après une première perturbation de l’information initiale, suivie d’une reconstruction vers sa forme originelle. Toutefois, les SGMs et nos BSPMs traitent des types d’information différents, et leurs processus optimaux de perturbation et de récupération présentent des différences fondamentales. Par conséquent, nos BSPMs adoptent une forme distincte par rapport aux SGMs. En outre, notre concept ne se limite pas à englober théoriquement de nombreuses méthodes existantes de filtrage collaboratif, mais excelle également sur les métriques de Recall et de NDCG sur trois jeux de données de référence : Gowalla, Yelp2018 et Amazon-book. En outre, le temps de traitement de notre méthode est comparable à celui des meilleures méthodes rapides existantes. Ce concept proposé présente un fort potentiel d’amélioration future, notamment grâce à la conception de processus de flou (c’est-à-dire de perturbation) et d’aiguisage (c’est-à-dire de récupération) plus efficaces que ceux utilisés dans cet article.