Context-driven recommender systems

Recommender systems always relied on personalization and context has only been used to improve personalization performance. However algorithms that decouple the context exploitation from personalization were not fully explored. This thesis presents Context-Driven Recommender Systems, a new family of recommendation algorithms that personalize on user's intent and situation, exploring their applicability in five application domains. This work shows that leveraging contextual information in these domains helps in addressing the challenges that they pose to traditional recommendation approaches and improves the performance. This new paradigm improves serendipity and can "pop" the filter bubble, can provide recommendation to unregistered or unlogged users, does not suffer from cold start problem and respects the privacy of users.

I sistemi di raccomandazione hanno sempre fatto uso della personalizzazione ed il contesto è stato usato solo per migliorare le performance di algoritmi personalizzati. Tuttavia non sono stati esplorati appieno algoritmi che disaccoppiano lo sfruttamento del contesto dalla personalizzazione. Questa tesi presenta i Sistemi di Raccomandazione Context-Driven, una nuova famiglia di algoritmi che personalizzano sulla base dell'intento dell'utente e della sua situazione, esplorando la loro applicabilità in 5 domini applicativi. Questa ricerca mostra come lo sfruttamento dell'informazione contestuale in questi domini aiuti a far fronte alle sfide che questi pongono agli approcci tradizionali alla raccomandazione e migliori le loro performance. Questo nuovo paradigma migliora la serendipità e può far "scoppiare" la filter bubble, può fornire raccomandazioni ad utenti non registrati o non loggati, non soffre del problema del cold start e rispetta la privacy degli utenti.