Exploratory experimental survey about the role and the impact of impressions in recommender systems

Recommender Systems have become fundamental for many online activities like multimedia streaming services, e-commerce, and social networks. They usually rely on collaborative (the users’ interactions towards the items) and content information (the information about the characteristics of users and items). There is, however, another type of information that is acquiring, in recent times, more interest: impressions. An impression indicates the recommendation of an item to a specific user regardless of whether it took or not to an interaction. Impressions are often provided in association with ancillary features, i.e., timing of the recommendation and position in the layout of the user's interface. These aspects allow to draw a clearer picture about how an impressed item is perceived by the user and predict the reasons for interaction with it. In the present work, we performed data analysis to investigate whether the number of times an item is recommended to the same user, its position in the layout of the interface, the frequency of interactions of the user involved in the impression, and the time elapsed by the last recommendation affect the users' decision-making process. The importance of the impressions as an additional source to build collaborative models is underrated. Indeed, this information can help in building a richer profile for the users. For this reason, we proposed the usage of a new data structure, the Impression Matrix, as an alternative ground of truth to build new impressions-based implementations derived from the most popular Collaborative filtering algorithms. Finally, the results of the data analysis encouraged the development of a discounting framework that rescale the items' scores produced by an already trained recommender system according to impression's features related to the same user-item pair involved in the recommendation. The results of the experiments conducted for this thesis showed the effectiveness of the impressions for the top-n recommendation task. Indeed, the adoption of the techniques presented in this work took to significant improvements on accuracy and beyond accuracy metrics.

I Sistemi di Raccomandazione sono diventati fondamentali per molte attività online come, ad esempio, i servizi di streaming, gli e-commerce e i social network. Essi si basano, solitamente, su informazioni collaborative (le interazioni degli utenti nei confronti degli item) e su quelle di contenuto (le informazioni riguardo le caratteristiche degli utenti e degli item). Esiste, però, un altro tipo di informazione che sta acquisendo, negli ultimi tempi, sempre più interesse: le impressioni. Un’impressione indica la raccomandazione di un item ad un utente a prescindere dall'avvenuta interazione. Le impressioni sono spesso corredate da ulteriori dettagli riguardo il riferimento temporale della raccomandazione o la posizione nella quale l'item è stato mostrato nell'interfaccia fornita all'utente. Questi aspetti permettono di disegnare un'immagine più chiara riguardo a come uno specifico item è percepito dall'utente che riceve la raccomandazione e di predire le ragioni che portano, o meno, ad un’interazione su di esso. In questo lavoro abbiamo effettuato un'analisi dei dati per investigare come il numero di volte che un item è stato raccomandato ad un utente, la sua posizione nel layout dell'interfaccia, la frequenza delle interazioni dell'utente coinvolto nell'impressione e il tempo trascorso dall'ultima raccomandazione, influiscono nel processo decisionale. L'importanza delle impressioni come ulteriore sorgente di informazioni per la costruzione di modelli collaborativi è attualmente sottovalutata. Infatti, questo tipo di informazione permette di costruire profili degli utenti più completi. Per questo motivo abbiamo proposto l'utilizzo di una nuova struttura dati, la Matrice di Impressioni, come verità di base per la progettazione di modelli basati sulle impressioni e derivanti dai più popolari algoritmi di filtraggio collaborativo. Infine, i risultati dell'analisi dei dati hanno incoraggiato lo sviluppo di un sistema di sconto per scalare i punteggi assegnati agli item da sistemi di raccomandazione già addestrati in funzione di alcune caratteristiche estratte delle impressioni. I risultati degli esperimenti condotti per questa tesi hanno mostrato l'efficacia delle impressioni per il task di raccomandazione top-n. Infatti, l'adozione delle tecniche presentate in questo lavoro ha portato a significativi miglioramenti per le metriche di accuratezza e non solo.