Come funzionano i Recommender System

Per poter essere efficace, un Recommender System utilizza una combinazione di dati e Machine Learning. I dati rappresentano gli elementi costitutivi da cui derivano i modelli e sono dunque fondamentali nello sviluppo di un motore di raccomandazione: più dati ci sono, più efficiente ed efficace sarà nel formulare suggerimenti pertinenti.
In genere, il processo seguito da un motore di raccomandazione si articola in quattro fasi. 

Raccolta

La prima è quella della raccolta dei dati. Si lavora sia sui dati impliciti, vale a dire sulle informazioni raccolte da attività come la cronologia delle ricerche web, i clic, gli eventi che hanno interessato il carrello, il registro delle ricerche, la cronologia degli ordini…, sia sui dati espliciti, ovvero sulle informazioni raccolte su input del cliente, come recensioni e valutazioni, preferenze e gradimenti, commenti sui prodotti.
I Recommender System utilizzano anche dati sugli attributi dei clienti come dati demografici relativi ad età, sesso, collocazione geografica, dati psicografici, relativi a interessi e valori. L’obiettivo è identificare clienti simili. Gli attributi relativi ai prodotti, ovvero le loro caratteristiche i relativi tag, servono invece per identificare le analogie tra prodotti diversi.

Archiviazione

La seconda fase è quella di archiviazione dei dati. È una fase importante che deve tener conto non solo del volume di datti attuale, ma anche della sua crescita quantitativa e qualitativa. Per questo è bene adottare in partenza soluzioni sufficientemente robuste e scalabili adattarsi alla dinamicità dello scenario.

Analisi
La terza fase del processo è rappresentata dall’analisi dei dati raccolti. Per poter essere utilizzati, i dati devono quindi essere approfonditi e analizzati, secondo approcci e metodologie diverse. Si può lavorare su analisi real time, nelle quali i dati vengono elaborati in tempo reale, mentre vengono creati; con analisi batch, che prevedono un’analisi periodica dei dati; con analisi near-real-time, quasi in tempo reale, nelle quali i dati, se non servono immediatamente, vengono elaborati in pochi minuti anziché in secondi.

Filtraggio

La quarta e ultima fase del processo è quella del filtering dei dati. È in questo momento che ai dati vengono applicate matrici, regole matematiche o formule, in base alla tipologia del filtro di recommendation (collaborativo, content-based oppure ibrido). È da quest’ultimo step che derivano le raccomandazioni vere e proprie.

Gli ultimi sviluppi

Tutto quanto fin qui descritto appartiene all’approccio più tradizionale dei Recommender System. Non si può tuttavia non tener conto delle ultime tendenze in atto in questo mercato, che fanno leva sugli sviluppi più recenti nell’ambito dell’intelligenza artificiale, del Machine Learning e del Natural Language Processing. 

È da questi sviluppi che prendono infatti vita i sistemi di raccomandazione conversazionale (Conversational Recommender System) nei quali gli utenti e il sistema possono comunicare dinamicamente attraverso interazioni in linguaggio naturale. 

Di sicuro una leva nuova e fondamentale, dal momento che offre opportunità senza precedenti per ottenere, per altro in modo esplicito, le esatte preferenze degli utenti ma che, allo stesso tempo, non ha ancora raggiunto la piena maturità, anche perché comporta non poche sfide, sia in relazione alla esplicitazione delle domande, sia in relazione alla costruzione dei modelli conversazionali, sia ancora in relazione alle fasi di valutazione e interpretazione. 

Ci troviamo quindi in un ambito di ricerca molto interessante e – come spesso accade – multidisciplinare, perché mette contemporaneamente in campo tecniche di recupero delle informazioni, tecniche di riconoscimento e interpretazione del linguaggio naturale e metodologie di interazione uomo-computer (HCI) che consentono un nuovo livello di dialogo multi-turno con gli utenti, in temine di precisione, previsione e affidabilità.