22

Modelli e raccomandazioni

I sistemi di raccomandazione esistono almeno da quando esistono le guide turistiche e le top ten. Sebbene il Guardian Best Books del 2022 raccomandi a tutti la stessa lista, probabilmente la adattereste quando scegliete per voi stessi: sceglietene alcuni e cambiate l’ordine di lettura in base alle vostre preferenze personali.

Come consigliare le opzioni per gli sconosciuti? Nell’attività precedente, probabilmente avete cercato di immaginare la loro personalità in base alle informazioni fornite: avete espresso giudizi e applicato stereotipi. Poi, una volta che vi siete fatti un’idea del loro tipo, avete scelto dall’elenco le cose che potevano (o meno) essere rilevanti per loro. I raccomandatori come Amazon, Netflix e Youtube seguono un processo simile.

Al giorno d’oggi, ogni volta che qualcuno cerca informazioni o cerca di scoprire contenuti online, utilizza una sorta di sistema di raccomandazione personalizzato^1,2. La funzione principale di Youtube è quella di indicare ai suoi utenti cosa guardare tra tutti i video disponibili sulla piattaforma. Per gli utenti registrati, utilizza le loro attività passate per creare un “modello”, ovvero un tipo di personalità. Una volta che ha un modello per John, può vedere chi altro ha modelli simili a lui. A questo punto raccomanda a John sia i video simili a quelli che ha guardato sia quelli simili a quelli che hanno guardato altri utenti come lui.

Che cos’è un modello?

I modelli possono essere utilizzati per imitare qualsiasi cosa, dagli utenti ai video alle lezioni che un bambino deve imparare. Un modello è una rappresentazione semplificata del mondo in modo che una macchina possa fingere di capirlo:

Come ti “youtubo” (How Youtube you)

Tutti i problemi di raccomandazione comportano una domanda surrogata: “Cosa raccomandare” è un po’ troppo generale e vaga per un algoritmo. Netflix ha chiesto agli sviluppatori quale sarebbe la valutazione che un utente A darebbe al video B, in base alle sue valutazioni per altri video. Youtube chiede quale sarebbe il tempo di visione di un determinato utente in un particolare contesto. La scelta di cosa chiedere e cosa prevedere ha un grande impatto sulla raccomandazione che viene mostrata³. L’idea è che la previsione corretta porti a una buona raccomandazione. La previsione stessa si basa su altri utenti con una storia di gusti simili⁴. Ovvero, utenti i cui modelli sono simili.

Modelli di utente

Youtube divide il compito della raccomandazione in due parti e utilizza modelli diversi per ciascuna di esse³. In questa sede, tuttavia, ci atterremo a una spiegazione più semplice.

Per creare un modello utente, gli sviluppatori devono chiedersi quali dati siano rilevanti per la raccomandazione di video. Che dire di ciò che l’utente ha guardato in precedenza? Quali sono state le sue recensioni, valutazioni e preferenze esplicite fino a quel momento? Cosa hanno cercato? E oltre a questi segnali espliciti, Youtube utilizza maggiormente quelli impliciti, che sono più facilmente disponibili³. – Un utente ha semplicemente cliccato su un video o lo ha effettivamente guardato? Se sì, per quanto tempo? Come ha reagito l’utente alle raccomandazioni precedenti¹? Quali ha ignorato? Oltre alle risposte a queste domande, le informazioni demografiche come il sesso, la lingua, la regione e il dispositivo sono di grande valore quando l’utente è nuovo o non è registrato³.

Una volta disponibile un modello per ogni utente, potremmo vedere quali utenti sono simili tra loro e utilizzare queste informazioni per la raccomandazione.

Modelli video

Analogamente agli utenti, potremmo anche utilizzare i video che sono simili (o diversi) tra loro. Dato un video, Youtube ne esamina il contenuto, il titolo e la descrizione, la qualità del video, il numero di persone che lo hanno guardato (conteggio delle visualizzazioni), che lo hanno apprezzato, che lo hanno favorito, che lo hanno commentato o condiviso, il tempo trascorso dal suo caricamento e il numero di utenti iscritti al canale madre¹.

Ciò che un utente guarderà in seguito dipenderà anche dal fatto che un video faccia parte di un episodio di una serie o di un elemento di una playlist. Se un utente sta scoprendo un artista, potrebbe passare dalle canzoni più popolari a quelle di nicchia. Inoltre, un utente non cliccherà su un video la cui immagine di anteprima non è buona^1,3. Tutte queste informazioni vengono inserite anche nel modello.

Uno degli elementi costitutivi del sistema di raccomandazione consiste nel passare da un video a un elenco di video correlati. In questo contesto, definiamo video correlati quelli che un utente probabilmente guarderà successivamente³. L’obiettivo è quello di estrarre il massimo valore dai dati per formulare raccomandazioni migliori⁴.

¹ Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.

² Spinelli, L., and Crovella, M., How YouTube Leads Privacy-Seeking Users Away from Reliable Information, In Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP ’20 Adjunct), Association for Computing Machinery, New York, 244–251, 2020.

³ Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.

⁴ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.