Ce travail de th`ese a ́et ́e r ́ealis ́e dans le contexte de la recommandation dynamique. La recom- mandation est l’action de fournir du contenu personnalis ́e `a un utilisateur utilisant une ap- plication, dans le but d’am ́eliorer son utilisation e.g. la recommandation d’un produit sur un site marchant ou d’un article sur un blog. La recommandation est consid ́er ́ee comme dynamique lorsque le contenu a ` recommander ou encore les goˆ uts des utilisateurs ́evoluent rapidement e.g. la recommandation d’actualit ́es. Beaucoup d’applications auxquelles nous nous int ́eressons g ́en`erent d’ ́enormes quantit ́es de donn ́ees grˆace `a leurs millions d’utilisateurs sur Internet. N ́eanmoins, l’utilisation de ces donn ́ees pour ́evaluer une nouvelle technique de recommandation ou encore comparer deux algorithmes de recommandation est loin d’ˆetre triv- iale. C’est cette probl ́ematique que nous consid ́erons ici. Certaines approches ont d ́ej`a ́et ́e propos ́ees. N ́eanmoins elles sont tr`es peu ́etudi ́ees autant th ́eoriquement (biais non quantifi ́e, borne de convergence assez large...) qu’empiriquement (exp ́eriences sur donn ́ees priv ́ees). Dans ce travail nous commen ̧cons par combler de nombreuses lacunes de l’analyse th ́eorique. En- suite nous discutons les r ́esultats tr`es surprenants d’une exp ́erience `a tr`es grande ́echelle : une comp ́etition ouverte au public que nous avons organis ́ee. Cette comp ́etition nous a permis de mettre en ́evidence une source de biais consid ́erable et constamment pr ́esente en pratique : l’acc ́el ́eration temporelle. La suite de ce travail s’attaque a ` ce probl`eme. Nous montrons qu’une approche `a base de bootstrap permet de r ́eduire mais surtout de contrˆoler ce biais.