Blog è innovazione!

Pillola teorica sui sistemi di raccomandazione. Nuovi strumenti per l’e-commerce.

Era già stato annunciato su Twitter a giugno: “A ottobre in Italia sbarcherà Netflix, il colosso americano della televisione in streaming!”.
Oltre ad essere un’affermata azienda che vende e noleggia film, Netflix ha svolto un ruolo di fondamentale importanza nello sviluppo di applicazioni che costruiscono i sistemi di raccomandazione, utilizzati dai maggiori siti di e-commerce.

netflix-televisionUn sistema di raccomandazione è un’applicazione che ha lo scopo di prevedere un possibile acquisto da parte di un potenziale cliente: una sorta di “veggente” che permette di elaborare una campagna pubblicitaria ad hoc per ogni singolo utente. Per creare un sistema di raccomandazione ci sono due possibili approcci: content filtering o content based.
Il primo tipo di approccio crea un profilo per ogni utente o prodotto e ne caratterizza la sua natura: ad esempio, per un film il profilo potrebbe includere attributi come il genere, gli attori presenti o la popolarità avuta al cinema.
Il secondo tipo di approccio richiede invece la raccolta di informazioni esterne, che potrebbero non essere facilmente reperibili: ad esempio, informazioni demografiche.

Un’alternativa al content filtering si basa solo sul comportamento passato degli utenti, per esempio sugli acquisti precedenti o sul rating (gradimento) del prodotto, senza richiedere la creazione esplicita dei profili utente. Tale approccio viene indicato come collaborative filtering: questo analizza i rapporti tra gli utenti e le interdipendenze tra i prodotti, cercando di identificare nuove associazioni user-item. Un modello che utilizza questo tipo di approccio è quello applicato dal sistema di raccomandazione di Netflix, che viene indicato come modello a fattori latenti.

ImgFatLat1

Nel 2006 Netflix ha indetto una competizione per cercare di modificare il suo sistema di raccomandazione con l’obiettivo di aumentare del 10% la sua percentuale di accuratezza. Dopo tre anni di lavoro, la competizione è stata vinta da un gruppo di ricercatori di Yahoo presieduto da Yehuda Koren, che è riuscito a costruire un sistema di raccomandazione di tipo collaborative filtering basato sui fattori latenti.

I fattori latenti sono in grado di determinare se due utenti sono simili tra loro senza guardare gli oggetti che hanno visionato o comprato in precedenza, poiché la semplice analisi degli oggetti comuni non sarebbe abbastanza esaustiva e non si ricaverebbero informazioni sufficienti. Con l’utilizzo dei fattori latenti è quindi possibile determinare se due utenti o due oggetti sono simili tra loro, senza avere delle informazioni dirette che li accomunino.

Per sviluppare un modello a fattori latenti, o un sistema di raccomandazione basato su altri modelli, ci sono diversi algoritmi, alcuni dei quali sono implementati in una libreria open source di Apache, aperta agli appassionati del settore che così potranno sperimentare questa nuova tecnologia.

Una risposta a Pillola teorica sui sistemi di raccomandazione. Nuovi strumenti per l’e-commerce.

  • I’d like to thank you for the efforts you’ve put in penning
    this website. I am hoping to check out the same high-grade blog posts from you
    later on as well. In truth, your creative writing abilities has encouraged me to get my
    very own website now ;)

Lascia un Commento

L'indirizzo email non verrà pubblicato. I campi obbligatori sono contrassegnati *


× otto = 8

È possibile utilizzare questi tag ed attributi XHTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>