Una rappresentazione del ciclo di feedback tra utente e suggeritore, con variabili matematiche. Credito:Rossi, Polderman, e Frasca
I ricercatori dell'Università di Twente e del CNRS hanno recentemente condotto uno studio che esplora la relazione tra le opinioni degli utenti e le raccomandazioni personalizzate che ricevono online. Nella loro carta, che è stato pre-pubblicato su arXiv, hanno proposto un modello che delinea questa interazione, poi lo ha valutato attraverso ampie simulazioni e un'analisi matematica.
"Tutti incontriamo sistemi di raccomandazione nella nostra vita quotidiana, non appena raggiungiamo Internet, se navighi su Facebook o Twitter o fai acquisti su Amazon, "Paolo Frasca, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "Questi sistemi hanno il compito di selezionare le informazioni che sono più rilevanti per noi".
Essenzialmente, i sistemi di raccomandazione sono progettati per evidenziare particolari contenuti online che corrispondono alle preferenze dei singoli utenti che navigano in Internet. Negli ultimi anni, questi sistemi sono diventati sempre più popolari, con molte piattaforme di social media e altri siti Web che li utilizzano per migliorare il coinvolgimento degli utenti, o per pubblicizzare prodotti e servizi.
La ricerca condotta da Frasca e dai suoi colleghi era finalizzata a raggiungere una migliore comprensione dell'interazione tra le opinioni degli utenti e le raccomandazioni personalizzate avanzate dai sistemi di raccomandazione. Come matematici, hanno sviluppato un modello dinamico dell'interconnessione tra utente e contenuto consigliato.
"Il nostro sistema di raccomandazione è molto semplice, poiché ha solo due voci tra cui scegliere ed è caratterizzato da un unico parametro, che chiamiamo epsilon, " ha spiegato Frasca. "Il sistema tiene traccia di quanto gli articoli sono stati apprezzati (=cliccati) in passato. Ogni volta deve fare una raccomandazione, il sistema lancia una moneta (di parte) che restituisce testa con probabilità epsilon (croda con probabilità 1-epsilon)."
Quel diagramma mostra che l'efficacia delle raccomandazioni (misurata dalla percentuale di clic) rispetto all'alterazione delle opinioni dell'utente (misurata da ciò che chiamiamo "discrepanza" nel documento). I punti dati formano una linea che è monotona crescente:questo fatto indica che una maggiore efficacia è correlata a maggiori alterazioni. Credito:Rossi, Polderman, e Frasca
Se il risultato di questo lancio di moneta è testa, il sistema consiglia l'articolo di maggior successo registrato nella sua cronologia; se mostra la coda, raccomanda un oggetto del tutto casuale. Questo processo di randomizzazione consente ai ricercatori di scegliere "epsilon" per garantire che il sistema equilibri efficacemente diversità e accuratezza nelle raccomandazioni fornite.
Il loro modello rappresenta l'interazione tra un singolo utente e un aggregatore di notizie online, al fine di scoprire il ciclo di feedback tra l'evoluzione dell'opinione di questo utente e le raccomandazioni personalizzate. Presuppone che l'utente in questione abbia un'opinione scalare su un particolare problema, caratterizzato da una posizione binaria, e che questa opinione può essere influenzata dalle notizie ricevute online. Tipicamente, si pensa che l'utente abbia un bias di conferma, il che significa che avrà una preferenza per il contenuto che conferma la sua opinione su un determinato problema.
I ricercatori presumono inoltre che l'obiettivo del sistema di raccomandazione sia quello di massimizzare il numero di clic degli utenti, e per raggiungerlo, deve fare un compromesso tra l'esplorazione delle preferenze dell'utente e il loro sfruttamento. Ampie simulazioni numeriche e un'analisi matematica del modello hanno rilevato che i contenuti personalizzati e il bias di conferma hanno entrambi influenzato l'evoluzione delle opinioni di un utente, l'entità di questo effetto è correlata all'efficacia del sistema di raccomandazione.
"Abbiamo evidenziato che i comportamenti dell'utente e del sistema di raccomandazione si alimentano a vicenda in modo tale che il comportamento dell'utente venga alterato, — disse Frasca. — Nello stesso tempo, il parametro epsilon fornisce una manopola per regolare la quantità di casualità ed eventualmente mitigare l'impatto sull'opinione dell'utente."
La ricerca condotta da Frasca e dai suoi colleghi ha fornito interessanti spunti sulla relazione tra le opinioni degli utenti e le raccomandazioni personalizzate che ricevono online. Però, questa intuizione deve ancora essere ulteriormente convalidata prima di poter essere tradotta in raccomandazioni politiche. I ricercatori stanno ora lavorando per migliorare il loro modello, per garantire che rifletta meglio gli scenari della vita reale.
"Il nostro modello riguarda un singolo utente e due possibili articoli, — disse Frasca. — Chiaramente, in realtà, sia gli utenti che gli elementi sono numerosi. Abbiamo in programma di estendere il modello per includere un social network di utenti e una molteplicità di elementi. In un senso, il nostro recente lavoro è stato un trampolino di lancio verso un modello più generale che è il nostro prossimo obiettivo".
© 2018 Tech Xplore
