Nous nous intéressons à la recommandation par des systèmes de filtrage collaboratif. Nous proposons de combiner une approche globale basée sur une factorisation matricielle et une approche locale basée sur l’exploitation directe d’un voisinage de l’utilisateur. L’hypothèse explorée dans l’article est que les jugements utilisateurs ont une sémantique et donc une utilité différente suivant qu’ils sont positifs ou négatifs. Nous proposons un modèle qui exploite cette polarité et apprend à pondérer l’influence de ses voisins en se basant sur des caractéristiques de polarité. Des expériences effectuées sur deux corpus permettent d’évaluer la validité de ce modèle.