Valutazione di algoritmi di raccomandazione in Matlab

I sistemi di raccomandazione hanno lo scopo di suggerire prodotti (ad esempio libri, film, ..., in generale detti item) di un ampia collezione, che sono interessanti e rilevanti per l'utente. Inizialmente gli algoritmi di raccomandazione venivano valutati in base alla loro potenza predittiva, ovvero l'abilità del RS di indovinare le scelte degli utenti ( nel contesto dei film, il rating fornito dall'utente). Tuttavia, oggi è noto che ottenere predizioni accurate è importante ma non sufficiente per realizzare un ottimo sistema di raccomandazione. Un buon RS deve avere determinate caratteristiche, non solo l'accuracy (capacità di predire con precisione) ma anche altre proprietà tra cui: la novelty, la diversity, la serendipity ovvero l'abilità di sorprendere l'utente proponendo item a lui non noti, che non sono tra i suoi gusti personali ma che potrebbero piacere all'utente stesso. In alcuni casi potrebbe essere utile valutare le specifiche proprietà di un RS, e stabilire quali sono le metriche rilevanti per una specifica applicazione. Lo scopo della tesi è l'estensione di un tool Matlab per permettere la valutazione di algoritmi di raccomandazione, attraverso il calcolo di varie metriche. Inoltre si è implementato un template per la creazione di algoritmi di raccomandazione ibridi monolithic, pipelined e parallel.