De nombreuses approches de recommandation ont été exploitées pour recueillir les préférences des utilisateurs afin d'améliorer leur navigation et le taux de transformation. Dans certains cas, nous ne disposons pas d'information explicite sur les utilisateurs ou les produits. La reconstruction de leurs profils, à partir d'éléments indirects devient donc nécessaire. Notre objectif est donc d'exploiter des facteurs sous-jacents aux interactions entre les utilisateurs et les produits, afin d'enrichir notre moteur de recommandation. Nous proposons ici une nouvelle approche hybride - factorisation de matrices et réseau de neurones convolutif - qui répond au problème posé par un industriel dans le domaine du pneumatique. Notre algorithme a été évalué sur un ensemble de données réelles extrait d'un comparateur en ligne. L'étude a montré que notre modèle est plus performant que ceux de l'état de l'art et celui-ci nous a permis d'étudier l'impact des différents types d'information utilisés sur les résultats.