Dans le cadre des systèmes adaptatifs, notre travail de recherche porte sur l'acquisition des connaissances d'adaptation à partir des traces d'interaction laissées par les utilisateurs. Les traces contiennent, entre autres, les feedbacks, positifs ou négatifs, des utilisateurs par rapport aux actions du système. Notre objectif est de définir des modèles et des outils permettant d'extraire des règles d'adaptation que le système pourra utiliser, dans son processus de décision, afin de personnaliser son comportement à l'utilisateur. Ces règles d'adaptation établissent des relations de dépendance entre certaines caractéristiques du contexte d'interaction (à savoir certains attributs de la situation d'interaction, tels que le lieu, la luminosité, etc. et/ou du profil de l'utilisateur) et le niveau de satisfaction de l'utilisateur. Pour cela, nous proposons deux algorithmes d'apprentissage. Le premier est direct est certain, dans le sens où toutes les règles générées correspondent à des contextes d'interaction déjà rencontrés par le système, mais nécessite un nombre important de traces pour converger. Le deuxième est plus rapide mais présente des risques d'erreur. En effet, cet algorithme permet de généraliser les règles d'adaptation existantes à de nouveaux contextes d'interaction (i.e. de nouvelles situations et/ou nouveaux profils d'utilisateurs). Dans cet article, nous détaillons les modèles que nous proposons pour représenter les règles d'adaptation et les traces d'interaction ainsi que les deux algorithmes d'apprentissage. Nous présentons également les évaluations que nous avons menées, par simulation et avec de vrais utilisateurs, pour valider nos contributions.