Ci muoviamo in un mondo sempre più veloce sopraffatti da notifiche, mail e pubblicità.
Se da un lato questa quantità di informazioni permette di rimanere sempre aggiornati dall'altro può causare disorientamento.
I sistemi di raccomandazione(RS) nascono con lo scopo di amministrare questa mole di dati aiutando l'utente a gestire il tempo e le scelte(dall'acquisto online, ai film da vedere).
I vantaggi sono visibili anche per il fornitore di RS che ha l'opportunità di osservare i comportamenti dell'utente e rimanere in linea con le sue mutevoli esigenze svolgendo ad esempio campagne pubblicitarie mirate che riducono i costi, aumentando i profitti.
Nonostante l'evidente necessità di RS, questi attualmente non forniscono un servizio del tutto affidabile, a causa dell'arduo compito di valutare la qualità di una raccomandazione e degli elevati costi computazionali.
In questo scenario il progetto proposto mira a sviluppare un RS in grado di rilevare gli interessi di qualsiasi utente in rete e in cui l'utente stesso sia lasciato libero di esplorarli.
Grazie all'osservazione nell'uso del sistema sarà possibile acquisire un insieme di conoscenze sul suo comportamento e sulla precisione delle raccomandazioni proposte.
In dettaglio il lavoro si propone di:
-sviluppare metodologie per l'estrazione di interessi basate sull'espressione esplicita dell'utente (ad esempio mediante messaggi nei social network)
-sviluppare e migliorare algoritmi e tecniche semantic-based che consentano di fare raccomandazioni su nuovi interessi a partire da quelli noti
-sviluppare un sistema che permetta all'utente di visualizzare le proprie preferenze, scoprirne di nuove, confrontare i propri interessi con quelli della comunità e fornire feedback sulla qualità dei suggerimenti
Con questo studio si vogliono apportare benefici allo stato dell'arte sia dal punto di vista algoritmico sia dal punto di vista sociologico e contribuire alla creazione di una banca dati da rendere disponibile alla comunità
La prima definizione e il primo uso di un sistema di raccomandazione (RS) risale al 1997 dagli studiosi Resnick e Varian. Nel corso degli anni sono molte le tecniche e gli studi condotti eppure questi sistemi presentano ancora molte imperfezioni, sebbene abbiano assunto un ruolo primario nella vita di tutti i giorni.
La necessità di miglioramento è così forte da spingere grandi aziende a chiedere aiuti esterni, come nel caso di Netflix che nel 2006 ha indetto un premio (Bennett et al., 2007) per chi fosse riuscito a migliorare il loro RS.
Tuttavia la ricerca in questo ambito si è sempre concentrata sulla qualità delle raccomandazioni, tralasciando un aspetto fondamentale: la fiducia che un utente deve avere verso questi sistemi. Convincere un utente a fidarsi delle raccomandazioni che gli sono state fatte ha un duplice beneficio: invoglia l'utente ad acquistare di più e aumenta la sua soddisfazione.
Attualmente non si conoscono studi che permettono all'utente di entrare in contatto con un RS e gli consentano di navigare tra le preferenze, visualizzando gli interessi senza che il sistema sia integrato in piattaforme per fini commerciali o pubblicitari (es. Amazon).
L'unico studio che più si avvicina allo scopo è "Inferring User Interests in the Twitter Social Network" (Bhattacharya et. al 2014) in cui gli interessi di un utente sono estratti a partire dai messaggi di Twitter e visualizzati in forma di WordCloud in un'interfaccia dedicata. Questo studio però presenta diversi inconvenienti:
- in primo luogo gli interessi sono estratti solo dal testo con l'uso di tecniche automatiche, aumentando dunque il margine di errore nel rilevare in modo appropriato gli interessi
- in secondo luogo non è presente nessuna validazione delle raccomandazioni se non manuale, fatta da un esiguo numero di utenti reali
infine il sistema è computazionalmente oneroso quando il numero dei Tweets da analizzare aumenta e la wordCloud diventa di difficile leggibilità con l'aumentare delle preferenze.
Inoltre spesso gli interessi sono identificati da parole troppo generiche e poco informative.
In questo scenario si colloca la ricerca proposta che presenta dunque un duplice scopo, da un lato mira a migliorare le misure di analisi esistenti e sviluppare una serie di possibili metodologie, dall'altro punta a migliorare il rapporto tra utente e RS creando un'interfaccia che sia fruibile agli utenti e offra un'ampia gamma di possibilità.
Il sistema permetterà all'utente una navigazione tra i propri interessi e/o dei propri amici e della comunità mettendone in luce differenze e analogie, permettendogli di avere maggiore consapevolezza sul funzionamento di un RS e rendendolo partecipe attivamente nel contribuire al miglioramento mediante valutazione della qualità del sistema stesso.
I vantaggi della ricerca sono pertanto molteplici:
- possibilità per l'utente di esplorare in modo rapido le proprie preferenze o quelle di altri utenti e ricevere raccomandazioni su nuovi interessi
- opportunità di profilazione degli utenti in rete per migliorare la qualità delle raccomandazioni offrendo suggerimenti più ricchi e innovativi, che non dipendano strettamente dalle scelte passate dell'utente
- migliore qualità dei dati estratti grazie all'approccio semantic-based che favorisce un'astrazione concettuale delle preferenze in modo da rendere i suggerimenti più appropriati e meno scontati
- disponibilità di un dataset, da rendere fruibile alla collettività, contenente informazioni anagrafiche degli utenti e relativi interessi
- analisi aggregate sugli utenti come studio dell'omofilia, analisi dell'andamento politico, studio dell'influenza degli interessi tra conoscenti.
- possibilità per l'utente di esprimere dei feedbacks sulla qualità delle raccomandazioni, contribuendo alla costruzione di una fonte preziosa per l'avanzamento nel campo
- accrescimento di fiducia e confidenza verso gli RS, possibilità di capire come funzionano e utilizzarli per scopi personali (es. capire gli interessi di un amico per comprare un regalo)
- contributo alle tecniche di valutazione di un RS che misurino l'uso del sistema e il grado di precisione per ogni utente
- sviluppo di strumenti automatici per misurare la diffusione delle informazioni e l'efficacia delle raccomandazioni.
Inoltre il lavoro proposto può essere ulteriormente espanso in ambito sociologico studiando l'evoluzione degli interessi di un utente nel tempo grazie alla collaborazione con ricercatori esperti nel settore.
In aggiunta le tecniche di raccomandazione sviluppate possono essere impiegate anche in altri ambiti, come ad esempio fornire supporto in campo medico, in modo che, partendo da un insieme di sintomi, il sistema sia in grado di individuare le probabili cause e suggerire il tipo di malattia e/o i farmaci adatti.
Lo strumento sviluppato potrà essere adottato come sistema di raccomandazione integrato in una piattaforma fornendo un servizio che garantisca un elevato livello di precisione