MasterNewMedia Italia
Curated by: Luigi Canali De Rossi
 


8 ottobre 2005

Fare Soldi Online ? Studiate I Sistemi Di Raccomandazione Automatica

Fare soldi con le tue idee. Il futuro degli imprenditori di se stessi come i registi indipendenti o i musicisti, dipende dalla conoscenza di alcuni meccanismi fondamentali del nuovo business.

In un precedente articolo di MasterNewMedia abbiamo parlato del concetto di Long Tail.

I sistemi di raccomandazione automatica sono uno dei meccanismi che determinano il successo di un prodotto nell'era della Long Tail.

Conoscere il funzionamento di questi sistemi è fondamentale per coloro che desiderano guadagnare online lavorando in una specifica nicchia di mercato.

Ma Che cosa sono i Sistemi Di Raccomandazione Automatica ?

magnifying_glass_by_len-k-a.jpg

Photo credit: Elena Buetler

I Sistemi di Raccomandazione Automatica sono strumenti automatici che ti consigliano cosa acquistare sulla base dei giudizi nei confronti di un prodotto espressi da persone simili a te.

Gli ARS (Sistemi di Raccomandazione Automatica) sono utilizzati da grandi servizi come Amazon.com, iTunes, Netflix, ma si stanno sviluppando a vista d'occhio perchè offrono dei vantaggi sia per i produttori che per i consumatori.

Gli ARS sono un'arma fondamentale per tutti gli artisti indipendenti.

Leggete con cura questo eccezionale articolo di Joshua Porter.
Joshua vi mostrerà come funzionano questi meccanismi.

 

Quali film guardare. Una descrizione dei Sistemi di Raccomandazione Automatica, di Joshua Porter

Questa settimana durante la pausa di lavoro mi sono messo a parlare di cinema con i miei colleghi.

Sia Jared che Christine mi suggerivano di andare a vedere l'ultimo film di Val Kilmer: Kiss Kiss, Bang Bang.
E' un film divertente ! Una grande storia !.

Questo mi ha fatto pensare riguardo all'importanza del loro giudizio e mi è venuta in mente una cosa. E se qualcun altro mi consigliasse un altro film. ? Che importanza gli darei ?


MovieLens, Un Sistema di Raccomandazione Automatica di Film

Così sono andato in un sistema di raccomandazione automatica per film chiamato MovieLens, creato da componenti dell'Università del Minnesota, che fanno parte del gruppo del GroupLens Research.

Lavorano a questo tipo di tecnologia da dieci anni.
Per fare delle previsioni sui gusti del lettore, MovieLens utilizza una tecnica chiamata "filtro collaborativo" (collaborative filtering) che, sulla base delle scelte multiple degli utenti, fornisce dei suggerimenti automatici.

Da quando ho iniziato ad utilizzarlo ho dato giudizi su più di 100 film ed ho avuto raccomandazioni su altrettanti.

MovieLens combina i miei giudizi con quelli di migliaia di persone che hanno visto il film che io non ho ancora visto. In questo preciso momento il film che mi viene raccomandato è Dear Frankie, un film drammatico.

Ora devo scegliere: Kiss Kiss, Bang Bang o Dear Frankie?

Ci sono molti Sistemi di Raccomadazione Automatica come MovieLens. In molti adorano Netflix, anche Blockbuster ne ha uno.

I Sistemi di Raccomandazione Automatica sono ovunque

Questo strumenti si stanno sviluppando velocemente. Esempi?

Gli algoritmi di base comparano i trend e i modi in cui le persone valutano i film. Se una persona valuta un film con il mio stesso metro, questa diventa parte del mio "vicinato" fatto di persone simili a me. I film che mi verranno raccomandati saranno quelli che il mio "vicinato" valuta in maniera alta.

I Sistemi di Raccomandazione sono focalizzati sull'utente

Fino ad ora era il passa-parola degli amici ad aiutarci nelle nostre scelte. Nel futuro prossimo le raccomandazioni arriveranno anche direttamente dal computer attraverso sistemi come Movielens.

Questi meccanismi possono ancora migliorare. Attualmente danno priorità alle novità, fornendoci ad esempio pubblicità relativa agli ultimi film in uscita. Penso che in seguito film e nuovi e vecchi avranno lo stesso valore.

Al momento, chi decide le priorità non siamo noi, ma gli studi cinematografici o i distributori. Questo è il motivo del perchè Netflix è cresciuto davvero tanto, perchè sta utilizzando il meccanismo di filtro collaborativo per consigliare dei film agli utenti.

La lista che ora proporrò contiene alcuni modi attraverso i quale i sistemi di raccomandazione possono rendere prioritari i contenuti in maniera più utile.


  • Novità e Tempo: Questo è il modo con cui la maggior parte dei sistemi dà priorità alle cose. Le nuove informazioni sono potenzialmente più importanti di quelle vecchie.

  • Popolarità:Questo sistema stabilisce quante persone stanno dando attenzione ad una cosa.

  • Importanza Personale. Questo sistema si basa su criteri personali che possono essere interessi, hobby, membri della famiglia etc.

  • Importanza del Network Sociale: Attraverso questo sistema si dà la priorità a ciò che viene raccomandato dalle persone che fanno parte del tuo network. Se qualcuno che conosci ( o qualcuno vicino a chi conosci) raccomanda qualcosa, questo ha la priorità rispetto ai giudizi espressi dalle persone che non conosci.

  • Sistemi basati sull'Autorità: L'autorità raggiunta in una determinata niccha di mercato rende prioritari i giudizi di quella persona nei confronti di uno specifico argomento.

  • Collaborazione. La priorità viene data dalla relazione tra le proprie azioni e quelle degli altri proprio come per Movielens.

Combinando i vari metodi e schemi di priorità, i sistemi di Raccomandazione automatica possono mostrarti dove guardare e farlo con precisione.

*********************
Tratto da un articolo originale intitolato:
Which Movie to Watch? An Overview of Recommendation Systems

Pubblicato la prima volta il 14 Settembre su bokardo.com

Joshua Porter, 28 anni, è scrittore, web designer e ricercatore professionale a User Interface Engineering, una delle aziende di consulenza americane più importanti nell'ambito dell'Usabilità Web.

Articolo tratto da TheWeblogProject
http://tinyurl.com/bwkq5

 
 
 
 
 
Commenti    
blog comments powered by Disqus

 

 

 

 

4249
 



 

Risorse Consigliate

 

 

I Toolkit di Robin


 









 

 

 

 

  • RSS Feed

          Mail
    Nome:
    Email:
     



     
     

     

    Web Analytics