Leggi questo articolo, una tua amica lo ha trovato interessante. Un'introduzione alle opportunità e criticità dei recommender system per la ...
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Leggi questo articolo, una tua amica lo
ha trovato interessante.
Un’introduzione alle opportunità e
criticità dei recommender system per
la personalizzazione dei contenuti
audiovisivi.
Paolo Casagranda, Sabino Metta
Rai - Centro Ricerche e Innovazione Tecnologica
1. Cosa c’è stasera in TV?
Quante volte, tornati a casa e magari in procinto di L’articolo presenta brevemente l’evoluzione del
sederci a tavola, lo abbiamo domandato ai nostri panorama radiotelevisivo avvenuta negli ultimi
familiari? E quante volte ci siamo messi a sfogliare anni e descrive il concetto di Recommender System
(sì, su carta) la guida TV per cercare di trovare il e delle sue più importanti declinazioni tecnologiche,
programma di nostro gradimento o che mettesse sottolineandone potenzialità, limiti e criticità.
tutti d’accordo? Ecco. In un futuro neanche troppo L’avvento di internet e la proliferazione dei servizi
lontano, questa semplice domanda potrebbe cam- digitali hanno determinato un radicale cambiamen-
biare radicalmente significato. E potrebbe essere to della modalità di fruizione televisiva. La miriade
formulata in maniera differente: “Cosa ci propone di prodotti, servizi e contenuti disponibili su Internet
stasera la TV?” ha abituato i suoi utenti all’interattività, alla possibi-
lità di ricercare e scegliere quando e quale contenu-
In realtà, in molti casi questo scenario è già il pre- to multimediale fruire, trasformando il tradizionale
sente. A proporci la migliore serie televisiva oppure ‘ascoltatore’ televisivo in un attivo ‘consumatore’
in grado di esprimere i propri gusti e le proprie
il paio di scarpe di cui proprio non potevamo fare
preferenze. Paradossalmente, la grande quantità
a meno, ora ci pensa una macchina. Per essere di contenuti disponibili ha creato un sovraccarico
precisi un Recommender System (RS), un Sistema di informativo e reso centrale il problema di trovare i
Raccomandazione. Non si tratta di un replicante di più adatti all’utente.
“Blade Runner” o dell’onnipresente “Grande Fratello”
I Recommender System rappresentano la risposta
di Orwell: il suggerimento arriva da un algoritmo che tecnologica alla domanda di rilevanza. In questo
tenta di intercettare le nostre preferenze. contesto, il broadcaster ha l’opportunità di far
evolvere il proprio paradigma comunicativo: oltre a
I RS rappresentano una soluzione tecnologica di diffondere i propri contenuti, può proporre all’uten-
cui molti di noi fanno quotidianamente esperienza te i più rilevanti.
senza esserne consapevoli. Di più. I RS sono sem-
pre più richiesti al fine di migliorare la qualità della
nostra abituale fruizione di contenuti multimediali
e di servizi digitali in genere.
www.crit.rai.it Elettronica e Telecomunicazioni N° 2/2016 27
Recommender system
Prima di trarne qualunque conclusione, cerchiamo varietà di contenuti disponibili, tra programmi di
di capire meglio quale è il contesto in cui sono nati. cultura, serie televisive, rubriche, film è in continua
Approfondiamo, senza entrare troppo nei dettagli, crescita. Tra milioni di siti Internet e migliaia di canali
le loro principali caratteristiche. E cerchiamo di televisivi e stazioni radio, tra tutte le informazioni
analizzare le loro potenzialità e criticità. ed i servizi disponibili ed accessibili, l’ascoltatore è
sovraccaricato di informazioni e fa sempre più fatica
ad orientarsi: il cosiddetto information overload. Di
2. Come è cambiata la televisione negli qui la necessità di restituire all’utente quanto sia per
ultimi anni lui davvero rilevante.
Facendo un salto indietro di qualche decennio, la Pertanto se da un lato è difficile pronosticare quale
televisione nasce come un oggetto, costituito da sarà domani il ruolo della TV, dall’altro ciascun edi-
uno schermo e degli altoparlanti, in grado di sinto- tore è posto con sempre più urgenza di fronte alla
nizzarsi attraverso una antenna al segnale trasmesso sfida di accontentare in maniera puntuale i bisogni
da un emittente televisivo, il broadcaster. Una volta dei suoi utenti. Oltre a proporre all’utente nuovi
acquisiti i diritti, il broadcaster aveva ed ha tuttora il contenuti, l’editore è chiamato a mettere a punto
compito di trasmettere via etere i programmi tele- un servizio di raccomandazione in grado di proporre
visivi e radiofonici Nota 1: la radio e la TV lineare, così al singolo utente il contenuto giusto al momento
come l’abbiamo sempre conosciuta. opportuno e di personalizzare così la sua esperienza
di fruizione. È quindi chiaro che tali sistemi di racco-
Oggi l’oggetto televisore appare decisamente diver- mandazione permettono la personalizzazione della
so e più sfaccettato rispetto a quello di una volta. A singola esperienza di fruizione dell’utente.
parte le caratteristiche estetiche, molti televisori in
vendita sono ormai dotati di una funzionalità tipica Nel caso dei servizi di fornitura di contenuti multi-
dei computer: la possibilità, cioè, di collegarsi ad mediali, quello che l’utente desidera ricevere non
Internet. Ed è così che sorgono i servizi on-demand è, ad esempio, una serie televisiva scelta a caso.
in grado di erogare contenuti audiovisivi mettendoli Ma esattamente quella che stava aspettando e
a disposizione dell’utente, su richiesta: la cosiddetta che poi deciderà di guardare. Come fa il servizio
TV non lineare. Al televisore tradizionale si aggiungo- di raccomandazione ad indovinare i gusti dell’u-
no oggi altri dispositivi, come tablet e smartphone, tente? A proporgli proprio quella serie televisiva
spesso utilizzati come televisore o come companion che stava aspettando e non un’altra per lui meno
screen, cioè in aggiunta ad esso. interessante?
Questa metamorfosi compiuta dalla televisione Proviamo in queste poche pagine a descrivere bre-
porta con sé una prima importante conseguenza: vemente le funzionalità, complessità e criticità dei
il palinsesto lineare viene potenzialmente ignora- Recommender System.
to dall’utente che decide autonomamente quale
contenuto selezionare. E questo avviene mentre la
3. Utenti e contenuti
Nota 1 - non entreremo nei dettagli relativi agli Al fine di suggerire all’utente il contenuto per lui
obblighi di legge per le emittenti tele-
di maggiore rilevanza, i RS utilizzano informazioni
visive (vedi ad esempio le fasce orarie
di protezione dei minori, l’affollamen-
sugli utenti e sui contenuti (metadati) e opportuni
to pubblicitario, l’informazione sporti- algoritmi per elaborare tali informazioni.
va). Per approfondimenti rimandiamo
alle direttive ed alle regolamentazioni Per quanto riguarda i contenuti, la loro descrizione è
dell’AGCOM e al Regolamento Gene- affidata ai cosiddetti metadati in grado di catturare
rale sulla Protezione dei Dati (GDPR
2016/679) dell’Unione Europea.
28 Elettronica e Telecomunicazioni N° 2/2016 www.crit.rai.it
Recommender system
le peculiarità del contenuto stesso ed in questo A produrre continuamente informazioni e dati non
modo di renderlo il più possibile visibile all’utente ci sono solo gli utenti che ascoltano una canzone,
particolarmente interessato. Nel caso ad esempio acquistano una lampadina su Amazon o esprimo-
di un film, i metadati possono essere rappresentati no il loro stato d’animo su un social network. Ogni
semplicemente dal genere (commedia, fantasy, giorno enormi quantità di dati vengono prodotti e
documentario) oppure da rappresentazioni più condivisi anche dalle macchine, vedi ad esempio
precise, come titolo, cast, regista, anno di uscita, i sensori che raccolgono informazioni climatiche,
scenografia. La generazione di tali metadati rap- immagini satellitari, fotografie e video, segnali GPS.
presenta per un editore una attività molto onerosa Molti di questi sensori risiedono nei dispositivi
e tutt’altro che scontata. mobili e connessi di cui quotidianamente ciascun
utente fa uso. E la mole di tali dati, sia pur prodotta
La raccolta e l’analisi dei dati relativi agli utenti, al dalle macchine, contribuisce a fornire ulteriori in-
loro contesto ed alle interazioni degli utenti con i formazioni sugli utenti. In particolare sul contesto
contenuti, prende il nome di profilazione dell’utente in cui gli utenti vengono a trovarsi.
ed ha lo scopo di descrivere, con un certo livello di
affidabilità, il comportamento degli utenti in ge- Tutti questi dati vengono generati in maniera conti-
nerale. Le pratiche di profilazione legate all’uso di nua da molteplici fonti, con formati diversi crescen-
Internet, dello streaming musicale e della TV smart do a velocità impressionanti. Lo scenario appena
possono essere estremamente sofisticate. Cerchia- descritto è quello che oggigiorno viene definito
mo di approfondire meglio le ragioni. con il termine Big Data: dati che vengono prodotti
velocemente, in grande quantità, da fonti eteroge-
Oggigiorno la realtà in cui viviamo è assolutamente nee e difficili da trattare con tecniche tradizionali.
iper-connessa. E per affermarlo non dobbiamo guar-
dare cosa succedeva un secolo fa. Da quando sono La gestione dei Big Data rappresenta una sfida con-
nati Internet ed il World Wide Web (quest’ultimo nel cettuale e tecnologica. In presenza di Big Data non
1991), il mondo sembra avere cambiato marcia. In è assolutamente conveniente fare affidamento sulle
maniera rapida e fluida qualunque utente può fruire metodologie e tecnologie impiegate dalla cosiddet-
un video musicale, creare un filmato e condividerlo, ta business intelligence che opera su insiemi di dati
ascoltare una canzone, acquistare un prodotto (un limitati, puliti ed omogenei. I Big Data richiedono
paio di scarpe, un divano), usufruire di un deter- l’utilizzo di strumenti matematici e statistici più
minato servizio digitale (pagare con un bonifico sofisticati e complessi. Si passa da una statistica
bancario, consultare le previsioni meteorologiche) descrittiva ad una inferenziale, da modelli lineari a
o lasciare un commento su un social network. Qua- modelli non-lineari.
lunque utente può creare informazioni, accedervi,
salvarle e condividerle. Per trattare queste moli di dati, accanto alle tradi-
zionali tecniche di machine-learning ne sono state
È stato stimato che ogni giorno vengano scambiate messe a punto altre con l’obiettivo di analizzare
294 miliardi di e-mails e 20 miliardi di messaggi, flussi continui di dati [14]. Ai database tradizionali,
mentre su Facebook vengano pubblicate 250 milioni quelli relazionali (RDBMS), vengono spesso preferiti
di fotografie [15]. Secondo Cisco, la multinazionale quei sistemi software che non memorizzano i dati
specializzata nella fornitura di apparati di rete, at- con campi uniformi (i cosiddetti DB NoSQL, tra cui
tualmente il traffico dati globale su rete mobile si database a grafo, orientati al documento, etc.). Al
aggira sui 10 exabyte Nota 2 mensili [16]. fine di gestire l’enorme mole di dati si passa ad
elaborazioni in parallelo in grado di distribuire e
poi recuperare correttamente le operazioni di cal-
Nota 2 - Un exabyte equivale ad un miliardo di colo effettuate su un certo numero di nodi (unità di
gigabyte, cioè 1018 byte elaborazione).
www.crit.rai.it Elettronica e Telecomunicazioni N° 2/2016 29
Recommender system
4. P r i n c i p i d i f u n z i o n a m e n t o dei Collaborative: i suggerimenti per uno specifico
Recommender Systems utente vengono generati sulla base di giudizi o
valutazioni (ranking) che altri utenti, in passato,
Cercando di riassumere quanto descritto finora, i hanno dato a determinati oggetti a disposizione.
Recommender Systems (RS) comprendono tecniche Dopo avere rappresentato tali informazioni (utenti,
e strumenti software in grado di suggerire all’utente oggetti, ranking) attraverso una matrice, è necessario
gli oggetti più rilevanti tra i tanti a disposizione, e definire e quantificare una relazione di somiglianza
sono stati creati con lo scopo di aiutare a ridurre il o distanza tra gli utenti o tra gli oggetti che verranno
sovraccarico informativo[19]. In un RS, il contenuto raccomandati. Ad esempio, due oggetti O e O’ sono
più rilevante per un determinato utente viene infe- definiti simili se sono stati scelti da molti utenti.
rito sulla base dei dati a disposizione ed attraverso Allora la raccomandazione potrebbe essere quella
l’implementazione di specifiche logiche. di suggerire O’ a chi precedentemente ha scelto O.
Un approccio detto item-item. Oppure, due utenti U
Nella sua forma più semplice un sistema di racco- e U’ sono definiti simili se ad esempio hanno scelto
mandazione produce per ogni utente una lista di categorie di oggetti simili. In questo caso la racco-
oggetti con relativa valutazione dell’utilità (ranking). mandazione potrebbe essere quella di suggerire ad
Un oggetto, sia materiale sia intellettuale, rappre- U un oggetto che in passato è stato scelto da U’. Un
senta un qualunque contenuto multimediale e/o approccio detto user-user. Un esempio di Collabora-
servizio digitale che possa essere suggerito: ad tive Filtering più sofisticato basato su fattorizzazione
esempio il prodotto di un supermercato, un video, matriciale è riportato in Appendice A.
un programma radiofonico, una canzone, una no-
tizia. Content-based: il RS suggerisce ad uno specifico
utente una lista di oggetti i quali risultano essere
I diversi sistemi di raccomandazione possono essere simili ad altri oggetti che quello stesso utente ha
classificati sulla base della specifica logica e dello scelto in passato. In questa categoria, vengono con-
specifico algoritmo attraverso i quali la lista finale frontati gli oggetti stessi o le loro descrizioni, senza
di oggetti viene prodotta. Partendo dalla classifica- prendere in considerazione le azioni e/o il ranking
zione proposta da Burke [1], possiamo raggruppare che altri utenti potrebbero avere dato. Questo
i RS nelle sei seguenti categorie: Collaborative, approccio presuppone la definizione appropriata
Content-based, Demographic, Knowledge-based, di similitudine o distanza tra due o più oggetti. Ad
Community-based e Hybrid. Riportiamo qui di segui- esempio, assumendo una relazione di similitudine
to una loro sommaria descrizione aggiungendo la tra i programmi “Report” e “Presa diretta” (entrambi
categoria Editorial che rappresenta la tradizionale rappresentano programmi contenenti un giorna-
raccomandazione fornita dall’editore. lismo di inchiesta), poiché l’utente in passato ha
guardato “Report”, allora per l’utente potrebbe
Editorial: i suggerimenti vengono scelti e creati essere rilevante ricevere la raccomandazione del
dall’editore del canale televisivo manualmente programma “Presa diretta”.
e valendosi della competenza di professionisti
esperti. Chiaramente tale tipo di raccomandazione Demographic: il suggerimento del recommender
dipende dalla cultura e dalla particolare lingua (o system si basa sulla caratterizzazione demografica
dalle particolari lingue) adottate dal Paese di riferi- dell’utente, ad esempio l’età, il sesso, la residenza. Si
mento. I media diffusivi lineari come la TV digitale basa sull’assunto che segmenti demografici diversi
tradizionale si basano esclusivamente su questo richiedano prodotti diversi.
tipo di raccomandazioni.
30 Elettronica e Telecomunicazioni N° 2/2016 www.crit.rai.it
Recommender system
Knowledge-based: i suggerimenti si basano su rego- 5. Alcuni esempi: Netflix, Spotify, Amazon
le derivate da una conoscenza esplicita dell’utente
o degli oggetti. A titolo esemplificativo, proviamo a descrivere in
questa sezione alcuni servizi basati su tecniche di
Community-based o Social Recommender Systems: raccomandazione e di cui probabilmente ciascuno
riassunto in [2], i suggerimenti tengono conto delle di noi ha già fatto esperienza: Netflix, per il video
scelte e delle valutazioni degli amici dell’utente streaming, Spotify, per lo streaming di musica, Ama-
sui social networks, partendo dall’evidenza che zon.com, per l’e-commerce.
tendiamo a tenere in maggiore considerazione i
suggerimenti degli amici rispetto a raccomanda- 5.1 Netflix
zioni anonime.
Netflix, il popolare servizio Internet di video strea-
Hybrid: le tecniche descritte sopra vengono combi- ming, utilizza i dati sulle valutazioni degli utenti ma
nate per ottenere suggerimenti più precisi cercando anche data e ora di visione, il luogo dove il video è
di far fronte alle debolezze di ciascun metodo. Molti stato trovato nel sistema ed il dispositivo di visione
RS commerciali sono di tipo ibrido. (smartphone? Smart-tv?). Circa l’80% delle ore di
visione sono influenzate dall’implementazione degli
Negli ultimi anni l’informazione relativa allo specifi- algoritmi di raccomandazione [4]. Il punto di accesso
co contesto in cui si trova l’utente ha assunto sempre principale per l’utente, e quindi il principale luogo
più importanza nella creazione del suggerimento. dove creare l’esperienza di raccomandazione, è la
Per questa ragione, alle categorie sopra descritte si homepage del sito. Tale homepage è composta da
è affiancata la categoria Context-Aware Recommen- molte sezioni (righe di video) e ciascuna beneficia di
der Systems (CARS), vedi [3]. Il contesto è definito da algoritmi diversi: non esiste quindi un unico schema
svariati fattori quali profilo, stato emotivo, attività, di raccomandazione dei contenuti. Esempi di sezioni
posizione geografica, condizioni atmosferiche, e sono le righe di genere, che espongono suggerimenti
qualsiasi altra cosa concorra alla definizione dello di video personalizzati per l’utente secondo un ge-
stato dell’utente, dell’oggetto o dell’interazione tra nere (utilizzando un Personalized Video Ranker), i Top
essi. Un esempio di fattore di contesto è il tempo: picks, che presentano le migliori raccomandazioni
l’orario può influire sulla propensione di un dato indipendentemente dal genere (secondo un Top-N
utente a fare attività sportiva, il giorno della setti- Video Ranker) e così via.
mana può influire sulla sua scelta di fare una gita
fuoriporta (più probabile nel weekend) e la stagione Netflix ha esplorato in maniera sistematica le tec-
estiva sulla possibilità di acquistare un gelato. Altri niche di raccomandazione fin da quando il suo
fattori importanti sono ad esempio l’attività dell’u- maggiore obiettivo era vendere DVD, arrivando a
tente, la sua posizione, l’eventuale compagnia. mettere in palio nel 2006 un premio, il Netflix Prize, di
un milione di dollari a chi avesse migliorato l’errore
La personalizzazione dei contenuti non è però quadratico medio delle previsioni di almeno il 10%
l’unico fattore da tenere in considerazione. Anche rispetto all’algoritmo allora in uso (competizione
i ricercatori di Netflix ammettono che accanto ai vinta nel 2009 dal team BellKor’s Pragmatic Chaos).
video raccomandati per il singolo utente, un criterio
fondamentale è quello della popolarità dei video 5.2 Spotify
proposti [4]: la personalizzazione quindi è comple-
tata dalla presenza dei video più popolari, in modo L’azienda svedese Spotify ha lanciato nel 2008 un
simile per tutti gli utenti. servizio streaming di musica divenuto negli anni
molto popolare e arrivato a 100 milioni di utenti
attivi nel 2016 (di cui 40 milioni a pagamento). Le
playlist di canzoni suggerite dal servizio vengono
www.crit.rai.it Elettronica e Telecomunicazioni N° 2/2016 31
Recommender system
create con un RS basato principalmente su algoritmi organizza inoltre lo sviluppo e l’evoluzione di un
di collaborative filtering. Il sistema è però in costante motore di raccomandazione reale, sviluppato par-
evoluzione per migliorare l’esperienza degli utenti. tendo da componenti open source.
5.3 Amazon.com Attualmente, i servizi Radiotelevisivi pubblici euro-
pei che partecipano all’iniziativa stanno seguendo
Dalle informazioni presenti sul web si evince che lo stesso approccio del gruppo nello sviluppo di
Amazon.com, uno dei più popolari servizi di com- soluzioni di raccomandazione: sviluppare all’interno
mercio elettronico del mondo, utilizza un algoritmo dell’azienda il Recommender System che soddisfi i
di raccomandazione basato sulla similarità item- requisiti voluti.
item. Nelle raccomandazioni item-item, general-
mente, si calcola prima la similarità tra ogni coppia Al fine di personalizzare l’esperienza di uno speci-
di prodotti A e B, partendo dagli utenti che hanno fico utente è necessario innanzitutto riconoscere
acquistato entrambi i prodotti. Se un utente acqui- in maniera univoca l’originalità dell’utente stesso.
sta il prodotto A, gli vengono consigliati i prodotti A tal proposito l’autenticazione, o semplicemente
B più simili ad A. il riconoscimento di sessioni con mezzi simili alle
cookies dei browser web, rappresenta un punto
chiave. Alcuni servizi permettono già di usare i co-
6. Iniziative europee siddetti social login, che semplificano le operazioni
di autenticazione associando l’identità di un utente
6.1 EBU RecSys alle informazioni di base di un social network (ad es.
Facebook o Twitter come avviene in Rai Play).
La European Broadcasting Union (EBU) ha ricono-
sciuto il ruolo chiave delle raccomandazioni nella Il riconoscimento dell’utente su dispositivi connessi
personalizzazione dei contenuti radiotelevisivi, ed con input limitato, come le radio o le TV, è più labo-
ha creato il gruppo EBU RecSys. Il gruppo si occupa rioso. Una possibile soluzione è rappresentata dallo
di facilitare lo scambio di informazioni tra Media standard Cross-Platform Authentication [10] il quale
Company pubbliche che utilizzano tecnologie di risulta essere compatibile con il protocollo OAuth 2.0
raccomandazione, condividendo linee guida e co- utilizzato dai principali social network per associare
noscenza su aspetti tecnici e scientifici, legati alla in modo semplice un utente ad un dispositivo.
normativa e alla standardizzazione. EBU RecSys
Fig. 1 – Il gruppo EBU RecSys sviluppa
anche un raccomandatore
per test ed uso da parte dei
collaboratori
32 Elettronica e Telecomunicazioni N° 2/2016 www.crit.rai.itRecommender system
6.2 Un prototipo: la Hybrid Content Radio
La Hybrid Content Radio (HCR) è un esempio di
servizio audio personalizzato basato su raccoman-
dazioni, ideato da Rai ed altri broadcaster pubblici
della EBU [6]. HCR consiste nella personalizzazione
del palinsesto di un servizio radio broadcast o
streaming tradizionale, mediante la sostituzione di
contenuti audio lineari con clip audio personalizzati,
suggeriti in modo dipendente dal contesto. Il RS, for-
nendo suggerimenti sui contenuti, permette in altre
parole di personalizzare il servizio di radio lineare.
Il prototipo realizzato consente di passare dall’a-
scolto live ad una lista di podcast suggeriti, sia
manualmente (tasto skip), sia automaticamente, in
modo proattivo, quando le condizioni di contesto Fig. 2 – Hybrid Content Radio: la radio
siano appropriate [7][8]. La possibilità di fornire rac- lineare viene personalizzata
comandazioni in modo proattivo, quindi senza una con contenuti raccomandati,
dipendenti dal contesto.
richiesta esplicita dell’utente, è un ambito di ricerca
aperto per i sistemi di raccomandazione.
7. Limiti dei Recommender Systems Discovery: una lista di prodotti suggeriti da un RS
dovrebbe consentire all’utente di esplorare anche
L’efficacia degli algoritmi nell’aiutare l’utente nella prodotti nuovi e diversi tra loro, secondo un concet-
scelta di un oggetto o di un servizio è soggetta a to di discovery o scoperta. Una eccessiva somiglianza
limitazioni che dipendono dal tipo di algoritmo, tra i prodotti è in questo caso poco utile e spesso
dal contesto e dal tipo di suggerimento che si vuole l’utente desidera anche esplorare nuovi tipi di pro-
ottenere. Non esiste un unico algoritmo che risolva dotto rispetto ai soliti.
in modo ottimale ogni tipo di problema. Di seguito
sono elencati alcuni limiti e sfide da superare. Filter Bubbles (bolle di filtraggio): è un concetto
introdotto esaurientemente da Eli Pariser [9], che
Cold Start: alcune tecniche di raccomandazione riguarda le informazioni che gli algoritmi lasciano
necessitano di un insieme di dati iniziali per fornire arrivare all’utente. L’utente è come se fosse confina-
suggerimenti validi. Ad esempio, perché un algo- to in una bolla immaginaria costruita dagli algoritmi,
ritmo di Collaborative Filtering dia risultati sensati bolla che permette il passaggio di alcune informa-
è necessario che un oggetto sia già stato valutato zioni soltanto. In questo modo l’utente rischia di
da diversi utenti, e, analogamente, che un utente crearsi una visione molto parziale di molti fatti. Un
abbia già valutato alcuni oggetti. Ad esempio, il esempio è il servizio social Facebook, che riordina,
servizio social “GoodReads”, che si focalizza sui libri, filtra e consiglia le informazioni anche in base alla
impone all’utente di valutare almeno 20 libri prima storia dell’utente. Oltre alla rilevanza, altri fattori
di fornire un suggerimento. Un algoritmo Content- devono quindi essere tenuti in considerazione: ad
based potrà, invece, fornire un suggerimento valido esempio l’importanza in contesti economici e sociali
anche per un oggetto nuovo, a patto che a questo più ampi o la possibilità di dare voce ad altri punti
siano associati metadati adeguati. di vista anche scomodi.
www.crit.rai.it Elettronica e Telecomunicazioni N° 2/2016 33Recommender system
Privacy: il Recommender System fornisce suggeri- 8. Conclusioni
menti rilevanti per l’utente estraendo così un ordine
dal caos e dalla complessità delle informazioni a In questo articolo abbiamo cercato di dare un’idea
disposizione. L’efficacia di questo processo dipende di cosa siano i Recommender System, descrivendo
dalla quantità e dalla precisione dei dati personali brevemente il loro funzionamento e citando alcuni
messi a disposizione dall’utente. Il problema fonda- esempi di aziende che adottano tali sistemi all’inter-
mentale in questo caso è garantire la trasparenza no dei loro servizi. Abbiamo descritto la relazione
delle informazioni raccolte, dando la possibilità tra RS e personalizzazione di un servizio, e come, in
all’utente di accedere ad esse o di ritirarle. E poi, è un mondo in cui le informazioni e i prodotti si mol-
assolutamente importante garantire la sicurezza di tiplicano, i sistemi di raccomandazione siano uno
tali informazioni assicurando che esse non possano strumento necessario, capace di rendere più efficaci
essere utilizzate da altri soggetti o per scopi diversi le ricerche ed ottenere prodotti più adatti a noi.
da quelli consentiti. La creazione di meccanismi
standard per la memorizzazione, lo scambio e l’ac- L’utilizzo appropriato dei RS deve tenere in ade-
cesso alle informazioni dell’utente è un punto di guata considerazione la nostra privacy ed evitare
grande interesse ancora aperto su cui anche MPEG la creazione di filter bubbles che ci confinino in un
sta lavorando (si veda [11]). mondo chiuso, rendendoci troppo sicuri della com-
pletezza dell’informazione che stiamo ricevendo.
L’Unione Europea ha anche emanato nel 2016 una Per questo è importante che gli algoritmi imple-
direttiva ed un regolamento sulla protezione dei mentati tengano in considerazione anche aspetti
dati personali che avranno valore negli stati membri che vanno oltre la rilevanza personale, e in questo
a partire dai prossimi anni (si vedano [12] e [13]) e il ruolo dell’editore è di primaria importanza.
che richiedono trasparenza nel trattamento dei dati
generati dagli utenti. Come molti altri prodotti dell’ingegno umano,
anche i RS presentano grandi vantaggi ed enormi
opportunità per il futuro, ma il buon senso e la
trasparenza nella gestione delle informazioni sono
Fig. 3 – I limiti dovuti alle filter fondamentali per mitigarne le criticità.
bubbles descritte da
Pariser sono una delle
sfide che gli algoritmi
di raccomandazione
devono superare.
(foto di Clint Mason, flikr,
CC BY 2.0)
34 Elettronica e Telecomunicazioni N° 2/2016 www.crit.rai.itRecommender system
Appendice A matrice S è una matrice diagonale g x g (con g righe
e g colonne) i cui elementi sono i valori singolari
Un esempio di Collaborative Filtering ottenuto della matrice R e g è il suo rango. Possiamo ridurre
con la Fattorizzazione Matriciale SVD la complessità usando solo gli f valori singolari di S
più significativi, con fRecommender system
Bibliografia
[1] R. Burke, Hybrid recommender systems: Survey and [10] ETSI TS 103 407 - V1.1.1 (2016-04), Cross Platform
Experiments, in “User Modeling and User-Adapted Authentication for limited input hybrid consumer
interaction” , vol. 12, Numero 4, Novembre 2002, equipment
pp. 331-370.
[11] S. Metta, P. Casagranda, A. Messina, M. Montagnuolo
[2] F. Ricci, L. Rokach e B. Shapira, Recommender systems: e F. Russo, Leveraging MPEG-21 user description for
introduction and challenges, in “Recommender Sys- interoperable recommender systems, in “Proceedings
tems Handbook”, Springer US, 2015, pp. 1-34. of the 31st Annual ACM Symposium on Applied
Computing (SAC’16)“, pp. 1072-1074, 2016.
[3] G. Adomavicius, B. Mobasher, F. Ricci e A. Tuzhilin,
Context-Aware Recommender Systems, in “AI Maga- [12] DIRETTIVA (UE) 2016/680 DEL PARLAMENTO EUROPEO
zine”, vol. 32, Numero 3, Autunno 2011, pp. 67-80. E DEL CONSIGLIO del 27 aprile 2016 relativa alla protezi-
one delle persone fisiche con riguardo al trattamento
[4] C. A. Gomez-Uribe e N. Hunt, The Netflix dei dati personali da parte delle autorità competenti a
Recommender System: Algorithms, Business Value, fini di prevenzione, indagine, accertamento e persegui-
and Innovation, in “ACM Transaction on Management mento di reati o esecuzione di sanzioni penali, nonché
Information Systems”, vol. 6, Numero 4, Gennaio alla libera circolazione di tali dati e che abroga la deci-
2016, Articolo 13. sione quadro 2008/977/GAI del Consiglio
[5] B. Sarwar, G. Karypis, J. Konstan e J. Riedl, Application [13] REGOLAMENTO (UE) 2016/679 DEL PARLAMENTO
of dimensionality reduction in recommender systems EUROPEO E DEL CONSIGLIO, 27 aprile 2016 relativo
– a case study, ACM WebKDD-2000 Workshop, 2000 alla protezione delle persone fisiche con riguardo al
trattamento dei dati personali, nonché alla libera cir-
[6] P. Casagranda, A. Erk, S. O’Halpin, D. Born e W.Huijten, colazione di tali dati e che abroga la direttiva 95/46/
A Framework for a Context-Based Hybrid Content CE (regolamento generale sulla protezione dei dati)
Radio, in “Proceedings of 2015 International Broad-
casting Convention (IBC)”, 2015. [14] J. Leskovec, A. Rajaraman e J. Ullman, Mining of
Massive Datasets, Cambridge University Press, 2014
[7] M. Braunhofer, F. Ricci, B. Lamche e W. Worndl, A
context-aware model for proactive recommender [15] M. Rasetti, I Big Data: rivoluzione tra scienza e
systems in the tourism domain, in “MobileHCI ‘15 conoscenza, in “Oxygen”, Numero 22, Febbraio 2014,
Proceedings of the 17th International Conference on pp. 110-113
Human-Computer Interaction with Mobile Devices
and Services Adjunct”, Agosto 2915, pp. 1070-1075 [16] Cloud and Mobile Network Traffic Forecast - VNI, Cisco,
ultimo accesso 1 Febbraio 2017
[8] P. Casagranda, M. L. Sapino e K. S. Candan, Context-
Aware Proactive Personalization of Linear Audio [17] Commissione Europea, Building a European Data
Content, in “Proceedings of the 20th International Economy
Conference on Extending Database Technology
(EDBT)”, Marzo 2017, pp. 574-577 [18] Y. Koren, R. Bell e C. Volinsky, Matrix factorization tech-
niques for recommender systems, in “IEEE Computer”,
[9] E. Pariser, The filter bubble: What the Internet is hiding vol. 42, Numero 8, Agosto 2009, pp. 42-49
from you, Penguin UK, 2011.
[19] F. Ricci, L. Rokach e B. Shapira, Recommender Systems
Handbook, Springer, 2015.
36 Elettronica e Telecomunicazioni N° 2/2016 www.crit.rai.itRecommender system www.crit.rai.it Elettronica e Telecomunicazioni N° 2/2016 37
Puoi anche leggere
