Sistemi di Raccomandazione: Applicazioni ed Esempi

Abbiamo esaminato i principali tipi di sistemi di raccomandazione, i concetti chiave e le applicazioni nel mondo reale, e abbiamo confrontato LightFM, Cornac BPR e TensorFlow Recommenders utilizzando AUC, Precision@10 e Recall@10.

Migliori librerie Python per sistemi di raccomandazione

Queste librerie implementano algoritmi di apprendimento automatico per elaborare dati di addestramento e generare raccomandazioni personalizzate utilizzando tecniche di filtraggio collaborativo o basato sui contenuti. Inoltre, queste librerie implementano modelli di apprendimento automatico per analizzare i dati e scoprire modelli, consentendo al motore di raccomandazione di suggerire articoli pertinenti in base al comportamento e alle preferenze dell'utente.

Risultati del benchmark LightFM vs Cornac BPR vs TensorFlow

TensorFlow Recommenders ha ottenuto i risultati migliori. La sua architettura di apprendimento profondo gli consente di catturare relazioni utente-articolo più complesse. LightFM, che funziona bene quando sono disponibili metadati, non ha performato così bene qui perché abbiamo usato solo dati comportamentali; ha comunque superato BPR. Cornac BPR ha avuto la qualità di raccomandazione più bassa, rendendolo più adatto per esperimenti rapidi o applicazioni su piccola scala.

Abbiamo usato la nostra metodologia di benchmarking del motore di raccomandazione per testare LightFM, Cornac BPR e TensorFlow.

Che cos'è un sistema di raccomandazione?

Un sistema di raccomandazione (o sistema di raccomandazione) è uno strumento progettato per fornire suggerimenti personalizzati agli utenti in base alle loro preferenze, comportamento e interazioni con una piattaforma. Questi sistemi analizzano dati come la cronologia degli acquisti, la cronologia di navigazione, i dati demografici degli utenti e le informazioni contestuali per fornire contenuti pertinenti. Di seguito sono riportati i tipi più comuni di sistemi di raccomandazione:

Tecniche di filtraggio collaborativo:

• Basate su modelli di interazioni tra utenti e articoli.
• Include il filtraggio collaborativo basato sugli utenti (trovare utenti simili) e il filtraggio collaborativo basato sugli articoli (trovare articoli simili).
• Più adatto per eCommerce e servizi di streaming.

Tecniche di filtraggio basato sui contenuti:

• Si concentra sugli attributi degli articoli (caratteristiche dell'articolo) e sulle interazioni passate di un utente (preferenze dell'utente).
• Ideale per identificare interessi specifici dell'utente target.

Sistemi di raccomandazione ibridi:

• Combinano metodi di filtraggio collaborativo e basato sui contenuti.
• Sfruttano modelli di apprendimento automatico come reti neurali profonde e reti neurali ricorrenti per previsioni migliorate.

Concetti chiave dei sistemi di raccomandazione

Fondamenti di fattorizzazione di matrice

La fattorizzazione di matrice è una tecnica fondamentale nel filtraggio collaborativo. Scompone una grande matrice di interazione utente-articolo (es. valutazioni o clic) in matrici più piccole che catturano modelli o relazioni nascoste, chiamate caratteristiche latenti.

Questo approccio aiuta a ridurre la complessità dei dati e a scoprire intuizioni significative, come la preferenza di un utente per generi specifici o l'attrattiva di un articolo per un particolare gruppo.

Similarità basata su embedding

Alcuni framework di raccomandazione calcolano la similarità degli articoli utilizzando embedding vettoriali anziché tag condivisi. Gli approcci basati su embedding catturano caratteristiche sfumate degli articoli in un vettore numerico, consentendo un abbinamento di similarità più accurato senza manutenzione manuale dei tag.

Ad esempio, il raccomandatore open-source Gorse supporta la similarità di embedding calcolando la distanza euclidea tra i vettori degli articoli, inclusi gli embedding di fornitori come OpenAI e Ollama.¹

Comprendere i dati impliciti

I dati impliciti si riferiscono a indicatori indiretti delle preferenze dell'utente, ottenuti dai comportamenti piuttosto che da feedback espliciti come le valutazioni a stelle. Alcuni esempi di dati impliciti includono i tassi di clic, il tempo trascorso su una pagina, la cronologia degli acquisti e i modelli di ricerca.

Questo tipo di dati è più facile da raccogliere su larga scala e spesso riflette il coinvolgimento nel mondo reale. Tuttavia, può essere rumoroso o ambiguo, come interpretare se una lunga visita alla pagina indica interesse o distrazione.

Apprendimento profondo nelle raccomandazioni

L'apprendimento profondo supporta i sistemi di raccomandazione analizzando dati complessi e multidimensionali utilizzando reti neurali. È particolarmente efficace per raccomandazioni basate su sessioni, comprensione dei contenuti e suggerimenti sensibili al contesto che considerano tempo, posizione o umore dell'utente.

Questi metodi possono elaborare dati grandi e non strutturati come testo, immagini e video, apprendendo relazioni intricate tra le caratteristiche.

Approcci di raccomandazione ibridi

I sistemi di raccomandazione ibridi combinano tecniche diverse, come il filtraggio collaborativo, il filtraggio basato sui contenuti e approcci basati sulla conoscenza. Questa integrazione migliora l'accuratezza e affronta sfide come il problema dell'avvio a freddo (nuovi utenti o articoli) e i dati sparsi.

Aree applicabili per i sistemi di raccomandazione

Quasi ogni azienda può beneficiare di un sistema di raccomandazione. Ci sono due aspetti importanti che determinano il livello di beneficio che un'azienda può ottenere dalla tecnologia.

• L'ampiezza dei dati: Un'azienda che serve solo una manciata di clienti che si comportano in modi diversi non riceverà molti benefici da un sistema di raccomandazione automatizzato. Gli esseri umani sono ancora molto migliori delle macchine nell'area dell'apprendimento da pochi esempi. In tali casi, i tuoi dipendenti useranno la loro logica e la comprensione qualitativa e quantitativa dei clienti per fare raccomandazioni accurate.
• La profondità dei dati: Avere un singolo punto dati su ogni cliente non è utile nemmeno per i sistemi di raccomandazione. Dati approfonditi sulle attività online dei clienti e, se possibile, sugli acquisti offline possono guidare raccomandazioni accurate.

Ecco alcuni dei settori più comuni in cui vengono applicati i sistemi di raccomandazione:

eCommerce

Le piattaforme di eCommerce sfruttano i sistemi di raccomandazione per migliorare l'esperienza di acquisto suggerendo prodotti pertinenti agli utenti.

Questi sistemi analizzano gli acquisti passati, la cronologia di navigazione e le preferenze per raccomandare articoli come "I clienti che hanno comprato questo hanno comprato anche" o "Acquistati frequentemente insieme".

Questo processo migliora le vendite e aumenta il valore medio dell'ordine e migliora anche la soddisfazione del cliente facendo risparmiare tempo e fatica agli utenti.

Esempio reale: Amazon

Amazon.com utilizza raccomandazioni di filtraggio collaborativo articolo-articolo sulla maggior parte delle pagine del suo sito web e nelle campagne e-mail. Secondo McKinsey, il 35% degli acquisti su Amazon è dovuto ai sistemi di raccomandazione.²

Intrattenimento

Nel settore dell'intrattenimento, i sistemi di raccomandazione aiutano gli utenti a scoprire film, musica, programmi TV o libri su misura per i loro gusti. Analizzando le abitudini di visione o ascolto, questi sistemi possono fornire contenuti personalizzati per aumentare il coinvolgimento degli utenti e il tempo trascorso sulla piattaforma.

Esempio reale: Netflix

Netflix utilizza una combinazione di filtraggio collaborativo e filtraggio basato sui contenuti per suggerire programmi e film, portando l'80% dei contenuti guardati ad essere guidato dalle raccomandazioni.

Il Premio Netflix è stata una competizione lanciata da Netflix nell'ottobre 2006 per migliorare il suo sistema di raccomandazione di film. La sfida offriva un premio di 1 milione di dollari al team o all'individuo che fosse riuscito a ottenere almeno un miglioramento del 10% nell'accuratezza delle previsioni rispetto all'algoritmo di raccomandazione esistente di Netflix.³

Esempio reale: Spotify

Ogni settimana, Spotify genera una nuova playlist personalizzata per ogni abbonato chiamata "Discover Weekly" che è un elenco personalizzato di 30 brani basato sui gusti musicali unici degli utenti. L'acquisizione di Echo Nest, una startup di intelligence musicale e analisi dei dati, consente loro di creare un motore di raccomandazione musicale che utilizza tre diversi tipi di modelli di raccomandazione:⁴

• Filtraggio collaborativo: Filtraggio dei brani confrontando i dati storici di ascolto degli utenti con la cronologia di ascolto di altri utenti.
• Elaborazione del linguaggio naturale: Scraping di internet per informazioni su artisti e brani specifici. Ogni artista o brano viene poi assegnato a un elenco dinamico di termini principali che cambia quotidianamente ed è ponderato per rilevanza. Il motore determina poi se due brani musicali o artisti sono simili.
• Analisi del file audio: L'algoritmo analizza le caratteristiche di ogni singolo file audio, inclusi tempo, volume, chiave e indicazione del tempo, e formula raccomandazioni di conseguenza.

Social media

Le piattaforme di social media utilizzano sistemi di raccomandazione per suggerire amici, gruppi, pagine, post o annunci in base alle interazioni, alle preferenze e alle connessioni degli utenti. Questi suggerimenti migliorano l'interazione dell'utente, incoraggiano la scoperta di contenuti e generano entrate pubblicitarie.

Meta

Meta impiega sistemi di IA per fornire raccomandazioni di contenuti personalizzate su Facebook e Instagram, anche da fonti che gli utenti non seguono. Questo approccio migliora l'esperienza dell'utente introducendo contenuti diversificati e supporta i creatori nel raggiungere un pubblico più ampio. Il processo di raccomandazione coinvolge:

• Comprensione del contenuto: Utilizzo di modelli di IA per analizzare e interpretare vari tipi di contenuti inclusi immagini, testo, audio e video, per comprendere i loro significati semantici.
• Comprensione delle preferenze, recupero e classificazione: Sviluppo di sistemi che filtrano facilmente grandi quantità di contenuti per identificare e classificare quelli più rilevanti per gli interessi individuali dell'utente.

Questa strategia guidata dall'IA consente a Meta di presentare agli utenti contenuti coinvolgenti oltre la loro rete immediata per favorire un'esplorazione più profonda degli interessi e migliorare il coinvolgimento complessivo della piattaforma.⁵

X (ex Twitter)

Il sistema di raccomandazione di X ha eliminato le caratteristiche progettate a mano in favore di un approccio appreso end-to-end. Utilizza un modello a due torri per recuperare i post pertinenti codificando separatamente la cronologia dell'utente e i post candidati, quindi classifica ogni elemento utilizzando un trasformatore basato su Grok che prevede le probabilità di coinvolgimento direttamente dal comportamento dell'utente.

L'implementazione completa è pubblicamente disponibile nel repository del feed X For-You.⁶

Sanità

I sistemi di raccomandazione in sanità suggeriscono opzioni di trattamento, risorse sanitarie o misure preventive su misura per i dati del paziente come la storia clinica e lo stile di vita. Incorporare l'IA nella sanità migliora la qualità dell'assistenza e riduce i costi sanitari. Dai un'occhiata all'IA generativa nella sanità per saperne di più.

Esempio reale: Ada Healthcare

Ada Health è una piattaforma basata sull'IA progettata per assistere gli utenti nella gestione della propria salute fornendo una guida medica personalizzata. Gli utenti possono inserire i loro sintomi per ricevere valutazioni che suggeriscono possibili condizioni e raccomandano i passi successivi appropriati. Il sistema di IA della piattaforma è continuamente ottimizzato da un team di esperti medici per garantire accuratezza e affidabilità.

Oltre a servire i singoli utenti, Ada offre soluzioni aziendali mirate a migliorare i risultati sanitari. Queste soluzioni assistono i partner nell'informare le decisioni sanitarie, migliorare i processi di triage e ridurre i costi evitabili.⁷

Vendita al dettaglio

Nel commercio al dettaglio, i sistemi di raccomandazione sono utilizzati per esperienze di acquisto personalizzate, raccomandazioni in negozio e suggerimenti sull'inventario. Questi sistemi aiutano i rivenditori a ottimizzare la gestione delle scorte, migliorare le vendite e aumentare la soddisfazione del cliente.

Esempio reale: Rappi con Amazon Personalize

Rappi, un servizio di consegna su richiesta in America Latina, ha collaborato con Amazon Personalize per migliorare il coinvolgimento dei clienti e aumentare le vendite implementando un sistema di raccomandazione personalizzato all'interno della sua app.

Sfruttando Amazon Personalize, Rappi ha sviluppato una funzionalità chiamata "Just For You" (JFY), che analizza il comportamento e le preferenze degli utenti per fornire raccomandazioni di prodotti su misura visualizzate in una sezione dedicata dell'app.

Questa strategia di personalizzazione ha portato a un aumento del 102% dei tassi di clic e a un aumento del 147% delle entrate derivanti dalle raccomandazioni personalizzate. Inoltre, il coinvolgimento dei clienti è migliorato e la presenza di prodotti con prestazioni inferiori è diminuita.⁸

Finanza e banca

Le istituzioni finanziarie utilizzano sistemi di raccomandazione per suggerire opzioni di investimento, carte di credito o prodotti assicurativi basati sul comportamento e sugli obiettivi finanziari dell'utente. Dai un'occhiata ai casi d'uso dell'IA generativa nel settore bancario per saperne di più su come l'IA generativa può essere utilizzata nella finanza e nel settore bancario.

Gaming

Le piattaforme di gioco utilizzano sistemi di raccomandazione per suggerire acquisti in-game, nuovi giochi o connettere giocatori in base alle loro preferenze, abitudini di gioco e interazioni sociali. Questo migliora l'esperienza di gioco e guida le entrate.

Esempio reale: Glance con Google Cloud

Glance, una sussidiaria di InMobi, ha collaborato con Google Cloud per costruire un sistema di raccomandazione di giochi personalizzato per la loro piattaforma di gioco mobile, Nostra, che coinvolge oltre 220 milioni di utenti tramite schermate di blocco.

Analizzando i dati degli utenti e dei giochi con i dati di interazione, hanno identificato modelli come i tempi di coinvolgimento ottimali e le preferenze di gioco. Questa collaborazione ha migliorato significativamente il coinvolgimento degli utenti.⁹

Inoltre, i sistemi di raccomandazione aprono significative opportunità di guadagno guidando l'upselling, il cross-selling e tassi di coinvolgimento più elevati. Offrendo suggerimenti su misura, questi sistemi migliorano la fidelizzazione dei clienti, promuovendo la fedeltà a lungo termine e un'interazione sostenuta dell'utente.

Sistemi di raccomandazione basati su LLM

I sistemi di raccomandazione tradizionali analizzano dati strutturati come valutazioni e clic. I sistemi basati su LLM vanno oltre, comprendendo query in linguaggio naturale, interpretando preferenze sfumate e spiegando i loro suggerimenti.

Questo approccio porta diversi vantaggi rispetto ai metodi tradizionali:

• Comprensione semantica: Interpreta query complesse in linguaggio naturale oltre la corrispondenza di parole chiave, come "qualcosa di edificante ma non troppo sdolcinato"
• Gestione dell'avvio a freddo: I nuovi utenti possono descrivere le preferenze in linguaggio naturale invece di richiedere una cronologia delle interazioni
• Output spiegabili: Genera spiegazioni in linguaggio naturale per le raccomandazioni, sebbene queste descrivano il ragionamento del modello piuttosto che i suoi calcoli interni
• Ragionamento cross-dominio: Identifica le preferenze sottostanti attraverso diverse categorie e tipi di contenuto

Esempi Reali:

• Netflix ha sviluppato un modello di base per raccomandazioni personalizzate, trattando la cronologia delle interazioni dell'utente come token e applicando architetture basate su trasformatore
• Spotify IA DJ combina la cronologia di ascolto con l'IA generativa per creare commenti personalizzati e selezioni musicali
• Amazon Rufus è un assistente allo shopping basato su IA generativa che consente la scoperta di prodotti in linguaggio naturale
• Criteo Agentic Commerce Recommendation Service collega gli IA assistenti allo shopping agli inventari dei commercianti instradando le query attraverso un'API del Protocollo di Contesto del Modello (MCP), applicando segnali di acquisto in tempo reale per classificare i prodotti in base al comportamento di acquisto reale.¹⁰
• Wizard è un agente di acquisto IA che cerca tra rivenditori, recensioni e fonti di contenuti per restituire un elenco curato dei primi cinque prodotti. A differenza dei raccomandatori specifici del rivenditore, aggrega i risultati sul web in base alle esigenze descritte dall'utente.¹¹
• LinkedIn ha implementato raccomandatori generativi e modelli di sequenza su larga scala nel suo ranking del feed. Invece di utilizzare modelli separati per ogni componente del feed, il sistema valuta l'attività di ciascun utente come parte di un percorso continuo, consentendo al comportamento attraverso diverse aree della piattaforma di influenzare le raccomandazioni ovunque.¹²

Impostare un sistema di raccomandazione

Mentre la maggior parte delle aziende trarrebbe beneficio dall'adozione di una soluzione esistente, le aziende in categorie di nicchia o su scala molto ampia potrebbero sperimentare la costruzione del proprio motore di raccomandazione.

1. Utilizzo di una soluzione pronta all'uso

I sistemi di raccomandazione sono uno dei casi d'uso dell'IA più antichi e maturi.

I vantaggi di questo approccio includono un'implementazione rapida e risultati altamente accurati per la maggior parte dei casi:

• Includere uno snippet di codice del fornitore può essere sufficiente per iniziare.
• Le soluzioni tendono ad essere accurate poiché i fornitori utilizzano dati provenienti da migliaia di transazioni dei loro clienti in modo anonimizzato per migliorare i loro modelli.

Per scegliere il sistema giusto, puoi utilizzare dati storici o, ancora meglio, dati in tempo reale per testare rapidamente l'efficacia di diversi sistemi.

2. Costruire la propria soluzione

Questo può avere senso se:

• ti trovi in un dominio di nicchia dove i motori di raccomandazione non sono stati utilizzati prima o
• possiedi uno dei più grandi marketplace del mondo dove raccomandazioni leggermente migliori possono fare una differenza importante nei tuoi risultati aziendali.

I sistemi di raccomandazione oggi sul mercato usano logiche come: i clienti con cronologie di acquisto e navigazione simili acquisteranno prodotti simili in futuro. Per far funzionare un tale sistema, hai bisogno di un gran numero di transazioni storiche o di dati dettagliati sul comportamento del tuo utente su altri siti web. Se hai bisogno di tali dati, potresti cercarli nei marketplace di dati.

Più dati e algoritmi migliori migliorano le raccomandazioni. Devi fare uso di tutti i dati rilevanti nella tua azienda e potresti espandere i dati dei tuoi clienti con dati di terze parti (3rd party data). Se un tuo cliente abituale ha cercato scarpe da ginnastica rosse su altri siti web, perché non dovresti mostrargli un ottimo paio quando visita il tuo sito web?

3. Collaborare con un consulente per costruire le proprie soluzioni

Un motore di raccomandazione leggermente migliore potrebbe aumentare le vendite di un'azienda di qualche punto percentuale, il che potrebbe fare una differenza enorme nella redditività di un'azienda con margini di profitto bassi. Pertanto, può avere senso investire nella costruzione di migliori motori di raccomandazione se l'azienda non sta ottenendo risultati soddisfacenti dai fornitori di soluzioni esistenti sul mercato.

4. Gestire una competizione di data science per costruire la propria soluzione

Un possibile approccio è utilizzare la saggezza della folla per costruire tali sistemi. Le aziende possono utilizzare dati storici crittografati, lanciare competizioni di data science o collaborare con consulenti e ottenere modelli che forniscono raccomandazioni altamente efficaci. 

Affrontare la deriva dei dati

Gli embedding e gli indici degli articoli memorizzati nella cache possono diventare obsoleti nel tempo, causando raccomandazioni che non riflettono più gli interessi attuali degli utenti. Strumenti come Drifter monitorano le pipeline di raccomandazione in tempo reale per rilevare problemi di qualità dei dati e derive prima che influenzino la qualità delle raccomandazioni.¹³

Come scegliere un sistema di raccomandazione?

La scelta del giusto sistema di raccomandazione dipende dai tuoi obiettivi aziendali, dai dati disponibili e dalle risorse tecniche a tua disposizione. Ecco alcune considerazioni chiave:

1. Valutazione del modello sui tuoi Dati
   • È essenziale testare i modelli sul tuo dataset per vedere quanto bene funzionano nel tuo contesto specifico. I benchmark standard potrebbero non riflettere i tuoi utenti, articoli o obiettivi aziendali.
2. Tipo di dati disponibili
   • Dati espliciti (valutazioni, recensioni, mi piace) funzionano bene con il filtraggio collaborativo.
   • Dati impliciti (clic, tempo trascorso, acquisti) favoriscono approcci ibridi o di apprendimento profondo.
3. Obiettivi aziendali
   • Se il tuo obiettivo è la personalizzazione su larga scala, l'apprendimento profondo o i sistemi ibridi sono le migliori opzioni.
   • Per esperimenti rapidi, modelli più semplici, come la fattorizzazione di matrice, possono essere sufficienti.
4. Requisiti di scalabilità
   • Le piattaforme su larga scala (es. eCommerce, streaming) spesso richiedono soluzioni basate su apprendimento profondo o ospitate nel cloud in grado di gestire milioni di utenti e articoli.
5. Conoscenza del dominio & risorse
   • Se il tuo team manca di esperienza in apprendimento automatico, utilizzare soluzioni di fornitori (ad es.., Amazon Personalize, Google Recommendations IA) può accelerare l'implementazione.
   • Per domini altamente specializzati, potrebbe essere necessario costruire una soluzione interna.

Suggerimento: Inizia prototipando con librerie standard (LightFM, TensorFlow Recommenders) e valuta le prestazioni con i tuoi dati in tempo reale prima di scalare.

Scopri altri nostri benchmark e approfondimenti basati sui dati nella Ricerca Google.

Aggiungi come fonte preferita

Costo dell'implementazione dei sistemi di raccomandazione

L'implementazione di un sistema di raccomandazione comporta costi diretti e indiretti:

1. Tempo di sviluppo: Costruire modelli personalizzati richiede data scientist, ingegneri e team infrastrutturali. Lo sviluppo può variare da poche settimane (per prototipi) a diversi mesi (per sistemi di produzione).
2. Costi infrastrutturali:
   • On-premise: Richiede server GPU, database e manutenzione continua.
   • Basato su cloud: I costi scalano con la dimensione dei dati e l'uso delle API (AWS, GCP, Azure).
3. Tariffe del fornitore: Le soluzioni SaaS possono addebitare costi in base al numero di chiamate API, al numero di utenti o alla quantità di dati elaborati.
4. Costi correnti:
   • Riqualificazione, monitoraggio e aggiornamenti del modello.
   • Costi potenziali di integrazione di fonti di dati esterne per raccomandazioni migliorate.

Regola Empirica: Le piccole imprese possono iniziare con strumenti SaaS (<$10k/anno), mentre le imprese che costruiscono sistemi interni spesso investono milioni in infrastrutture e talenti.

Implicazioni etiche dei sistemi di raccomandazione

Sebbene i motori di raccomandazione forniscano valore, sollevano importanti considerazioni etiche e sociali:

• Pregiudizio & equità: Gli algoritmi possono rafforzare i pregiudizi esistenti (es. raccomandare solo contenuti popolari, ignorando la diversità).
• Preoccupazioni sulla privacy:
  • La raccolta e l'analisi dei dati degli utenti solleva preoccupazioni riguardo al consenso e alla protezione dei dati.
  • La conformità con GDPR, CCPA e altre leggi sulla privacy dei dati è cruciale.
• Uso responsabile dei dati:
  • Politiche trasparenti dovrebbero spiegare come i dati degli utenti vengono raccolti, elaborati e archiviati.
  • La privacy differenziale e le tecniche di anonimizzazione possono mitigare i rischi.

Metodologia di benchmark del motore di raccomandazione

In questo studio, ci siamo concentrati sulla costruzione e valutazione di sistemi di raccomandazione basati su dati di feedback implicito, in particolare le interazioni degli utenti con i prodotti. Il dataset utilizzato nella nostra analisi contiene tre elementi chiave: visitorid, itemid e tipi di interazione come visualizzazione, aggiungi al carrello e transazione. Poiché gli utenti non hanno valutato esplicitamente gli articoli ma hanno interagito attraverso questi comportamenti, abbiamo considerato questi dati come feedback implicito.

Abbiamo testato tre diversi modelli di raccomandazione per valutare la loro efficacia nella gestione dei dati impliciti:

1. LightFM: Un modello ibrido che utilizza sia il filtraggio collaborativo che metodi basati sui contenuti. Abbiamo sfruttato la funzione di perdita WARP (Weighted Approximate-Rank Pairwise) per addestrare il modello. L'attenzione era focalizzata sulla previsione della probabilità che un utente visualizzasse un prodotto analizzando le sue interazioni storiche con gli articoli.
2. Cornac BPR (Bayesian Personalized Ranking): Un modello basato sul filtraggio collaborativo progettato per classificare gli articoli in base alle interazioni dell'utente. Utilizza il feedback implicito per apprendere le preferenze degli utenti ottimizzando la classifica degli articoli rilevanti rispetto a quelli irrilevanti.
3. TensorFlow Recommenders: Un framework basato sull'apprendimento profondo che utilizza embedding per rappresentare sia gli utenti che gli articoli, catturando relazioni complesse tra di loro. Il modello è addestrato su interazioni implicite, con un compito di recupero per prevedere gli articoli più rilevanti per ciascun utente.

I modelli sono stati addestrati per prevedere la probabilità che un utente interagisca con un prodotto, concentrandosi in particolare sull'evento visualizzazione come comportamento target. Il nostro obiettivo era stimare con quali prodotti gli utenti hanno maggiori probabilità di interagire, in base al loro comportamento passato. Dopo l'addestramento, abbiamo valutato i modelli utilizzando dati di test per garantire che potessero generalizzare bene a interazioni non viste.

Abbiamo valutato le prestazioni dei modelli in base a tre metriche comunemente utilizzate nei sistemi di raccomandazione:

• AUC (Area Under the Curve): Una metrica che valuta quanto bene il modello classifica gli articoli rilevanti più in alto rispetto a quelli irrilevanti. Un punteggio AUC più vicino a 1 indica migliori prestazioni di classificazione.
• Precision@10: Misura quanti tra i primi 10 articoli raccomandati sono effettivamente rilevanti (cioè, con cui l'utente ha interagito). Valori più alti indicano una maggiore accuratezza della raccomandazione.
• Recall@10: Misura quanti articoli rilevanti (dalle interazioni dell'utente) compaiono tra le prime 10 raccomandazioni. Questa metrica è cruciale per capire quanto bene il modello cattura le preferenze dell'utente.

Confrontando queste metriche tra i tre modelli, abbiamo identificato il modello con le migliori prestazioni in termini di classificazione degli articoli rilevanti e recupero accurato di tali articoli nelle prime raccomandazioni.

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Sistemi di Raccomandazione: Applicazioni ed Esempi}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Consultato il 19 Maggio 2026}
}

Collegamenti di riferimento

1.

Item-to-Item Recommenders | Gorse

2.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

3.

Netflix Research

4.

Discover Weekly: How Spotify is Changing the Way We Consume Music - Technology and Operations Management

5.

The AI behind unconnected content recommendations on Facebook and Instagram

6.

GitHub - xai-org/x-algorithm: Algorithm powering the For You feed on X · GitHub

7.

Health. Powered by Ada.

8.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

9.

Nostra from Glance, Gaming Recommendation at Scale with Google Cloud AI | Google Cloud Blog

Google Cloud

10.

Criteo Introduces Agentic Commerce Recommendation Service to Power AI Shopping Assistants | Criteo

Criteo

11.

Wizard Press Release: Marc Lore and Melissa Bridgeford’s Wizard Emerges from Stealth

12.

LinkedIn uses AI to improve feed relevance | Social Media Today

13.

Drifter: Efficient Online Feature Monitoring for Improved Data Integrity in Large-Scale Recommendation Systems

Cem Dilmegani

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017. AIMultiple fornisce informazioni a centinaia di migliaia di aziende (secondo SimilarWeb), tra cui il 55% delle aziende Fortune 500, ogni mese. Il lavoro di Cem è stato citato da importanti pubblicazioni globali come Business Insider, Forbes, Washington Post, società globali come Deloitte e HPE, ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione Europea. È possibile consultare l'elenco di altre aziende e risorse autorevoli che hanno citato AIMultiple. Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, responsabile acquisti tecnologici e imprenditore nel settore tecnologico. Ha fornito consulenza alle aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un report di McKinsey sulla digitalizzazione. Ha guidato la strategia tecnologica e gli acquisti di un'azienda di telecomunicazioni, riportando direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da zero in soli 2 anni. Il lavoro di Cem in Hypatos è stato oggetto di articoli su importanti pubblicazioni tecnologiche come TechCrunch e Business Insider. Cem partecipa regolarmente come relatore a conferenze internazionali di settore. Si è laureato in ingegneria informatica presso l'Università di Bogazici e ha conseguito un MBA presso la Columbia Business School.

Visualizza il profilo completo

Ricercato da

Sıla Ermut

Analista di settore

Segui

Sıla Ermut è un'analista di settore presso AIMultiple specializzata in email marketing e video di vendita. In precedenza ha lavorato come recruiter in società di project management e consulenza. Sıla possiede una Laurea Magistrale in Psicologia Sociale e una Laurea triennale in Relazioni Internazionali.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento