Now Reading: Sistemi di raccomandazione: come scelgono cosa mostrarti
-
01
Sistemi di raccomandazione: come scelgono cosa mostrarti
Da YouTube a Netflix e TikTok: i recommender selezionano candidati, assegnano punteggi e riordinano risultati per costruire un feed personalizzato.
YouTube sceglie il prossimo video, Spotify propone una canzone, Amazon ordina prodotti, TikTok costruisce il feed Per Te. Dietro queste esperienze ci sono sistemi di raccomandazione: modelli progettati per selezionare elementi rilevanti da insiemi troppo grandi per essere esplorati manualmente.
Non esiste un unico algoritmo universale. Ma molti sistemi moderni possono essere descritti con una struttura in tre fasi: candidate generation, scoring e re-ranking.
1. Candidate generation: ridurre milioni di possibilità
La prima fase serve a restringere il campo. Un servizio con milioni di video o prodotti non può calcolare ogni volta un punteggio sofisticato per tutto il catalogo.
Il sistema genera quindi un insieme più piccolo di candidati. Può usare cronologia, interessi simili, contenuti correlati, account seguiti, embeddings o altre tecniche.
2. Scoring: assegnare un valore ai candidati
Una volta ridotto il numero di elementi, modelli più costosi possono stimare quanto ogni candidato sia adatto a quell’utente e a quel contesto.
Il punteggio non deve rappresentare necessariamente “quanto ti piacerà”. Può essere ottimizzato per click, watch time, probabilità di acquisto, completamento, soddisfazione o una combinazione di obiettivi.
3. Re-ranking: il punteggio non è l’ultima parola
La classifica grezza può essere modificata per introdurre diversità, freschezza, sicurezza, vincoli commerciali o regole di prodotto. Google Developers descrive proprio il re-ranking come fase in cui entrano fattori ulteriori rispetto alla semplice rilevanza prevista.
È importante perché spiega perché “l’algoritmo” non è quasi mai una singola formula. È una pipeline di sistemi con obiettivi differenti.
Da dove arrivano i segnali
Un recommender può utilizzare azioni esplicite — voto, like, follow — e segnali impliciti come tempo di visualizzazione, skip, acquisti, ricerche o sequenze di navigazione.
Ogni piattaforma sceglie segnali diversi. Nell’algoritmo di TikTok, per esempio, interazioni e informazioni sul video contribuiscono alla costruzione del feed Per Te.
Content-based e collaborative filtering
Due idee classiche aiutano a capire molti sistemi. Il content-based filtering confronta caratteristiche degli elementi: se hai apprezzato un film di fantascienza, cerca altri elementi con caratteristiche simili.
Il collaborative filtering usa invece pattern collettivi: persone con comportamenti simili ai tuoi hanno apprezzato anche qualcos’altro che tu non hai ancora visto.
I sistemi moderni spesso combinano queste logiche con deep learning ed embeddings.
Gli embeddings trasformano gusti e contenuti in geometria
Un embedding rappresenta utenti e oggetti come vettori numerici. In quello spazio elementi simili possono finire vicini, permettendo al sistema di recuperare rapidamente candidati compatibili.
È uno dei modi in cui le reti neurali entrano nei recommender: non servono solo a classificare immagini o generare testo, ma anche a costruire rappresentazioni utili per la selezione.
La personalizzazione non è neutrale
Un sistema di raccomandazione ottimizza obiettivi scelti da qualcuno. Se l’obiettivo premia soprattutto il tempo trascorso, contenuti che trattengono l’utente ricevono un vantaggio. Se premia soddisfazione, diversità o qualità, la classifica cambia.
È qui che la tecnica incontra l’economia dell’attenzione. Il recommender non si limita a prevedere preferenze: organizza ciò che diventa visibile.
Filter bubble: un rischio, non un risultato inevitabile
Personalizzare può restringere l’esposizione, ma i sistemi possono essere progettati per introdurre esplorazione e diversità. La filter bubble è quindi una tensione strutturale, non una legge automatica.
Più il sistema mostra ciò che già conosce di te, più aumenta la pertinenza; più introduce elementi nuovi, più rischia di sbagliare ma amplia la scoperta. Ogni piattaforma sceglie un equilibrio.
Il motore nascosto di internet
La ricerca richiede una domanda. La raccomandazione inizia prima: prova a decidere cosa potresti volere senza che tu lo chieda.
È per questo che i recommender sono diventati una delle infrastrutture più importanti del web contemporaneo. Non definiscono soltanto ciò che troviamo, ma sempre più spesso ciò che incontriamo senza averlo cercato.
