Cette thèse s’inscrit dans le domaine des systèmes de recommandation personnalisés et explicables, en réponse aux limites actuelles des modèles d’intelligence artificielle, souvent perçus comme des « boîtes noires ». Bien que les systèmes de recommandation jouent un rôle central dans de nombreux domaines tels que le e-commerce, l’éducation, les médias ou le divertissement, leur manque de transparence, leur faible capacité d’adaptation aux contextes dynamiques et leur difficulté à exploiter des données hétérogènes constituent des freins majeurs à leur adoption et à la confiance des utilisateurs. L’objectif principal de ce travail est de proposer un cadre unifié de recommandation combinant graphes de connaissances dynamiques, personnalisation contextuelle, intégration de données multimodales et explicabilité avancée. Dans un premier temps, la thèse vise à concevoir des modèles capables d’exploiter des graphes de connaissances évolutifs afin de capturer les relations sémantiques complexes entre utilisateurs, items et contextes, tout en s’adaptant aux changements continus des préférences et des interactions. Des techniques basées sur les Graph Neural Networks et l’apprentissage incrémental seront mobilisées pour assurer une mise à jour efficace et en temps réel des représentations. Dans un second temps, le travail s’intéresse à l’amélioration de l’explicabilité des recommandations à travers une approche hybride combinant des méthodes d’explication classiques (telles que SHAP ou LIME) avec des modèles de langage de grande taille, permettant de fournir à la fois des justifications techniques et des explications en langage naturel, compréhensibles par des utilisateurs non experts. Enfin, la thèse abordera l’intégration de données multimodales , texte, images, audio et vidéo, afin d’enrichir la modélisation des préférences utilisateurs et d’améliorer la robustesse et la pertinence des recommandations dans des environnements réels complexes. L’ensemble des contributions vise à aboutir à des systèmes de recommandation plus transparents, adaptatifs et fiables, capables de concilier performance, interprétabilité et expérience utilisateur, tout en répondant aux enjeux scientifiques actuels de l’IA explicable et des graphes de connaissances.