Le filtrage collaboratif est l'une des approches les plus populaires des systèmes de recommandation. En filtrage collaboratif, le système cherche à estimer les préférences de l'utilisateur actif en exploitant les préférences (les notes) des utilisateurs similaires à cet utilisateur actif : ses voisins. Le filtrage collaboratif fait face au problème de latence : il ne peut recommander un nouvel item à des utilisateurs tant que cet item n'a pas été noté un nombre suffisant de fois. Pour diminuer ce problème de latence, nous proposons une approche à base de mentors s'inspirant des sondages d'opinion. Un mentor est un utilisateur fiable et représentatif, sur qui l'on peut compter. La connaissance des notes (opinions) des mentors sur les nouveaux items permet d'estimer les notes de la population entière. Nous montrons que, sur le corpus que nous avons utilisé, certaines méthodes de sélection des mentors requièrent les notes de seulement 6 mentors pour estimer les notes de la population entière, avec une erreur faible. Ainsi, lorsqu'un nouvel item est intégré dans le système, seules 6 notes sont requises pour faire des recommandations de bonne qualité à l'ensemble de la population.