Integrazione delle informazioni sociali nei sistemi di raccomandazione

I sistemi di raccomandazione sono degli strumenti informatici in grado di predire gusti e preferenze di un utente al fine di selezionare un insieme personalizzato di prodotti o servizi. L’informazione relativa ai legami di amicizia, tipicamente disponibile nei social network, può migliorare la qualità della raccomandazione, dato che il consiglio di un amico ricopre un ruolo fondamentale nei processi decisionali. Lo scopo della tesi è quello di cercare di integrare le informazioni relative a legami di amicizia, o informazioni sociali nel processo di raccomandazione. Sono state valutate due diverse metodologie di integrazione, validate su tre dataset pubblici: social modeling e social preprocessing. La prima tecnica apprende le informazioni sociali direttamente nel modello dell’algoritmo di raccomandazione, mentre la seconda elabora i dati di ingresso al sistema sulla base delle informazioni sociali, senza modificare la fase di apprendimento del modello. L’integrazione tramite social modeling non ha prodotto risultati significativi in nessuno dei tre dataset utilizzati. Il social preprocessing ha prodotto invece miglioramenti in termini di recall, soprattutto sul dataset di Delicious in cui la qualità degli algoritmi dello stato dell’arte è stata notevolmente migliorata: l’algoritmo PureSVD, ad esempio, ha ottenuto un miglioramento in termini di recall di 0.47 (calcolata in una lista di 10 item raccomandati).