Che cosa è il recommender system: il caso Netflix

recomender system

Condividi:

Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram

In questo articolo voglio parlare di cosa sia un recommender system e di come Netflix abbia utilizzato questo tool di Machine Learning per il proprio business.

Cosa è un recommender system?

Un recommender system è un programma di filtraggio dei contenuti che crea delle raccomandazioni personalizzate per l’utente, per aiutarlo nelle sue scelte.

Esistono due tipi di approcci per creare delle raccomandazioni:

  • Content-based: il sistema suggerisce dei prodotti o servizi simili a quelli che l’utente ha già scelto in passato.
  • Community-based: il sistema suggerisce dei prodotti o servizi simili a quelli che utenti simili a quel determinato utente hanno scelto in passato.

Andiamo a vederli più nel dettaglio.

Approccio content-based

Il contenuto di un elemento è costituito dalla sua descrizione, dai sui attributi e dalla sue parole chiave e etichette.

Questi dati vengono messi a confronto con il profilo utente che racchiude le preferenze dell’utente, costruite analizzando gli elementi visualizzati da un utente durante la navigazione.

Anche il profilo delle preferenze è espresso tramite attributi, parole chiave e etichette.

Mettendo a confronto il contenuto degli elementi e il profilo delle preferenze, il motore di raccomandazione suggerisce all’utente articoli che possono essere di suo interesse.

Approccio community-based

Il sistema crea dei suggerimenti utilizzando la similarità tra gli utenti. Il presupposto è che utenti simili abbiano probabilmente gusti simili.

L’approccio community-based si basa sul tipo di elementi visualizzati dall’utente in precedenza e su eventuali voti che l’utente ha attribuito all’elemento.

Partendo dal principio che utenti simili potrebbero attribuire allo stesso elemento una valutazione simile, l’algoritmo fornisce all’utente gli elementi votati da altri utenti con le valutazioni più alte.

Il caso Netflix

Prima di tutto: perché Netflix ha bisogno di un sistema di raccomandazione?

  1. Riuscire a raccomandare agli utenti dei film o delle serie tv, è la chiave per tenerli sulla piattaforma.
  2. Ridurre il numero di utenti che lasciano la piattaforma.
  3. Riuscire a far vedere film con un basso valore di diritti e da cui possono trarne molto vantaggio economico.

Secondo punto: come funziona il sistema?

recomender system

Inizialmente il sistema raccoglie i dati degli utenti, come: device utilizzato, quando si collegano e quanto si trattengono sulla piattaforma, i film guardati e anche cosa hanno guardato altri utenti con gli stessi nostri gusti.

Poi, tutti questi dati vengono mandati ad un recommender system e così la pagina iniziale di ogni utente viene popolata dalle copertine dei film.

Netflix usa dunque un recommender system con approccio ibrido: considera sia le preferenze dell’utente, sia suggerisce contenuti in base a utenti con preferenze simili all’utente stesso.

Possiamo però vedere che la pagina iniziale è costituita da varie righe: c’è ad esempio la riga dei migliori film storici, poi quella dei film consigliati in base a ciò che hai visto in passato, etc…

Ognuna di queste righe è un differente recommender system.


Ad esempio, la riga contente film della categoria “perché hai guardato quel film in passato” è un content-based recommender system, mentre la riga “migliori film storici” è un community-based recommender system.

Il punteggio per ogni film va da sinistra (voto più alto) verso destra (voto più basso).

Ora, una domanda che ti potrebbe sorgere è: come sceglie Netflix il tipo di riga, la categoria da mostrare?

Usando un altro recommender system! Usano un recommender system per scegliere quali recommender system utilizzare per popolare la tua home page.

Metriche da tenere in conto e conclusioni

Prima di chiudere, voglio spiegare quali sono, secondo me, le due metriche da tenere in conto per valutare l’impatto di un recommender system sul proprio business.

Le metriche potrebbero essere:

  1. Quanti prodotti o servizi effettivi i tuoi clienti guardano, prima e dopo aver applicato il sistema?
  2. Quante raccomandazioni vengono seguite effettivamente dagli utenti?

Spero che l’articolo ti sia piaciuto, se vorresti aggiungere qualcosa, fammelo sapere nei commenti!

data scientist
Vuoi scoprire di più sull’impatto che l’AI potrà avere nel mondo del lavoro? clicca qui per scoprire una delle professioni del futuro: il data scientist
Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram
Fabio Bernardini

Fabio Bernardini

Sono laureato in Ingegneria delle Telecomunicazioni e adesso lavoro come dottorando al Dipartimento di Ingegneria dell’Informazione a Pisa.

Iscriviti
Notificami
guest
0 Commenti
Inline Feedback
Vedi tutti i commenti
Neuragate