Caratteristiche, funzionamento e utilizzi del Recommender System in informatica

Caratteristiche, funzionamento e utilizzi del Recommender System in informatica

Caratteristiche di un Recommender System

I recommender system o recommendation system sono strumenti software progettati con l’obiettivo di suggerire oggetti agli utenti.

Con il termine oggetto (item) si fa riferimento a ciò che il sistema deve consigliare all’utente. Ad esempio, i suggerimenti possono riguardare film da vedere, musica da ascoltare, prodotti da acquistare, notizie da leggere, persone da aggiungere agli amici in social network, ecc. Spesso i recommender system sono progettati in modo da essere specifici per il tipo di oggetti che devono suggerire, in modo da massimizzare l’efficacia dei suggerimenti.

L’esigenza di Recommender System in grado di orientare gli utenti nella scelta di prodotti da acquistare è nata con il proliferare dell’e-commerce. Cataloghi sempre più vasti e alternative sempre più numerose comportano una maggiore difficoltà nel processo di decisione, quindi il rischio di effettuare una scelta sbagliata, sopraffatti dalla vastità dell’offerta. Infatti, se avere più opzioni tra cui scegliere è indubbiamente un fatto positivo, averne troppe può risultare controproducente.

In generale, lo scopo principale di un recommender system è quello di orientare gli utenti privi di esperienza o conoscenze necessarie nella scelta tra molti oggetti alternativi. I suggerimenti sono di solito personalizzati, quindi mirati ai gusti individuali di ciascun utente. Infatti, fornire suggerimenti impersonali su oggetti più popolari non è un problema particolarmente complesso da affrontare, ma non è detto che tutti gli utenti apprezzino gli stessi oggetti. È proprio nella capacità di fornire suggerimenti personalizzati, rispondenti ai gusti del singolo utente, che risiede la complessità ed è su questo aspetto che si concentra la ricerca sui Recommender System.

Al giorno d’oggi, per gli utenti internet è molto comune imbattersi in Recommender System. Tante categorie di servizi online di uso quotidiano ne beneficiano: e-commerce, servizi di streaming di contenuti multimediali, siti di notizie, social network, ecc.

Tipicamente, i suggerimenti sono rappresentati sotto forma di graduatoria e ogni oggetto ha un punteggio. Gli oggetti che hanno punteggio più elevato sono quelli ritenuti più adatti alle esigenze e alle preferenze dell’utente, da parte del Recommender System. Affinché il sistema sia in grado di fornire suggerimenti personalizzati, però, c’è bisogno della capacità di creare un modello o profilo di ciascun utente, contenente le proprie preferenze.

Le preferenze degli utenti sono ricavate a partire da informazioni raccolte dal Recommender System nelle precedenti interazioni tra l’utente e il sistema. Le tecniche con cui queste si ricavano, però, variano in base al sistema. Possono essere considerate preferenze espresse esplicitamente dall’utente, come l’assegnazione di un voto, oppure possono essere ottenute interpretando azioni compiute dall’utente. Ad esempio, l’apertura della pagina di un articolo da parte dell’utente può essere vista come una manifestazione implicita di interesse verso quell’articolo.

La prima forma di Recommender System sviluppata è quella basata sull’approccio collaborativo conosciuto come Collaborative Filtering. L’idea di base è quella di sfruttare le informazioni raccolte sulle preferenze dell’intera comunità di utenti: suggerire oggetti piaciuti ad utenti con gusti simili. Se in passato altri utenti hanno apprezzato gli stessi oggetti dell’utente corrente, è probabile che questo possa essere interessato ad altri oggetti apprezzati da questi utenti.

Caratteristiche, funzionamento e utilizzi del Recommender System in informatica

Motivazioni e Ruolo

Le motivazioni che spingono le aziende ad adottare un Recommender in un servizio o applicazione internet possono essere:

  • Incremento delle Se gli utenti ricevono suggerimenti validi sono più propensi ad acquistare gli oggetti che visualizzano, quindi aumenta quello che viene definito tasso di conversione.
  • Diversificazione degli oggetti venduti. Un Recommender System può consigliare agli utenti oggetti di loro gradimento, ma al contempo poco popolari, quindi meno facilmente scopribili autonomamente.
  • Incremento del tasso di Gli utenti sono più propensi ad usare il servizio se questo è in grado di suggerire oggetti di loro gradimento.
  • Incremento del tasso di fedeltà. Più gli utenti interagiscono con il servizio, più sono le informazioni che il Recommender System è in grado di raccogliere sui loro gusti. Di conseguenza, i suggerimenti futuri saranno sempre migliori.
  • Raccolta di informazioni sulle preferenze degli utenti al fine di offrire un servizio migliore.

Gli utenti, invece, sono motivati ad accettare i suggerimenti dei Recommender System se li ritengono validi. Quindi vanno conciliate le esigenze dei fornitori con quelle degli utenti.

I Recommender System possono avere diversi ruoli all’interno di sistemi informativi. Ad esempio, in alcuni casi basta avere consigli su alcuni oggetti di possibile gradimento, mentre in altri si vogliono trovare tutti gli oggetti che rispondono alle esigenze dell’utente. Oppure il Recommender System si può limita ad evidenziare alcuni oggetti in una lista più ampia. Pertanto, sono state sviluppate molteplici tecniche che si basano su svariati tipi di informazioni.

Fonti di informazioni e dati

I Recommender System hanno bisogno di raccogliere dati per poter generare i suggerimenti. Questi possono riguare sia gli oggetti da suggerire che gli utenti a cui effettuare i suggerimenti. A seconda del tipo di Recommender System, si può decidere di raccogliere e utilizzare alcune informazioni piuttosto che altre, tra le tante possibili. Le tecniche più semplici si limitano a raccogliere informazioni di base, come i voti espressi dagli utenti, mentre altre richiedono una conoscenza più profonda sia degli utenti che degli oggetti.

Alla base del processo di raccolta di informazioni, si possono identificare tre entità principali:

  • Oggetti. Sono le entità che vengono consigliate agli utenti. Ciascun oggetto ha un valore per l’utente e il compito del Recommender System è quello di stimare questa utilità. Ciascun oggetto ha delle proprietà che il Recommender System può considerare per generare i suggerimenti. Ad esempio, un libro ha caratteristiche come l’autore, il genere, l’anno di pubblicazione, ecc.
  • Utenti. Sono coloro i quali ricevono i suggerimenti. Per fornire suggerimenti personalizzati, il sistema deve conoscere informazioni sugli utenti, quindi deve essere in grado di generare un modello di ciascun utente. Nel caso più semplice, queste sono le valutazioni espresse in passato dall’utente sugli oggetti, ma i sistemi possono anche considerare altre caratteristiche del’utente, come l’età, il genere, ecc.
  • Transazioni. Sono le interazioni tra utenti e sistema che vengono collezionate dal sistema per poter ricavare informazioni utili per la generazione di suggerimenti. Il caso più comune di transazione è una valutazione espressa da un utente su un oggetto. Una valutazione può essere numerica, binaria (positiva o negativa), ordinale, oppure unaria. Una valutazione unaria può essere l’acquisto o anche la semplice visualizzazione di un oggetto. Per esempio, se un utente apre la pagina della descrizione di un prodotto a partire dai risultati di una ricerca, anche se non effettua l’acquisto, si può interpretare l’azione come una valutazione implicita, quindi come una manifestazione di interesse. Le valutazioni implicite non richiedono alcuno sforzo aggiuntivo da parte dell’utente, ma non è garantito che siano del tutto accurate. L’acquisto di un prodotto non garantisce il gradimento dello stesso da parte dell’acquirente.

 

Pubblicato da Vito Lavecchia

Lavecchia Vito Ingegnere Informatico (Politecnico di Bari) Email: [email protected] Sito Web: https://vitolavecchia.altervista.org

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *