Immagina di entrare in una biblioteca enorme e caotica dove milioni di persone urlano quali libri hanno apprezzato, ma la stanza è così rumorosa che riesci a malapena a sentirle. Alcune persone sussurrano, altre urlano e alcune fanno solo rumori casuali che sembrano indicare che un libro gli piace, ma in realtà non è così. Questo è il mondo dei sistemi di raccomandazione, i motori digitali dietro Netflix, Spotify e Amazon che cercano di indovinare cosa vorrai dopo. Per fare queste previsioni, i computer usano qualcosa chiamato Reti Neurali su Grafi (GNN). Pensa a una GNN come a un bibliotecario super intelligente che non si limita a guardare la lista di una singola persona, ma guarda l'intera rete di connessioni tra ogni lettore e ogni libro. Tuttavia, questo bibliotecario ha un problema: quando la biblioteca è troppo silenziosa (dati sparsi) o troppo rumorosa (feedback errati), il bibliotecario si confonde e inizia a raccomandare libri che odierai.

La grande domanda che gli scienziati si pongono è: come possiamo insegnare a questo bibliotecario a ignorare il rumore e trovare i veri schemi, anche quando i dati sono disordinati? La risposta solitamente coinvolge l'apprendimento contrastivo (contrastive learning), che è come chiedere al bibliotecario di confrontare due versioni leggermente diverse della stessa storia per vedere cosa rimane uguale (la verità) e cosa cambia (il rumore). Ma la maggior parte dei metodi attuali cerca di correggere il rumore scuotendo casualmente gli scaffali della biblioteca o aggiungendo libri finti, il che può accidentalmente buttare via anche le cose buone insieme a quelle cattive.

Questo articolo presenta un nuovo e astuto bibliotecario di nome COMPASS (Contrastive Multi-Decomposition Approach with Social-Guided Signals). Invece di scuotere casualmente gli scaffali, COMPASS usa un paio di occhiali speciali che gli permettono di vedere la biblioteca a strati. Guarda il "quadro generale" di ciò che piace a tutti (modelli globali) e poi fa lo zoom per vedere i dettagli minuscoli e specifici di ciò che piace a pochissime persone (dettagli locali). Inoltre, ascolta ciò che i tuoi amici dicono sui libri, ma solo come un suggerimento gentile, non come una regola ferrea. I ricercatori hanno testato il sistema su dati reali di musica, film e libri, e hanno scoperto che COMPASS è molto più bravo a ignorare il rumore e a fornire ottime raccomandazioni, anche quando i dati sono molto disordinati o quando gli utenti non hanno ancora letto molti libri.

Il Problee: Una Biblioteca Rumorosa

Immagina di cercare di capire cosa piace mangiare a un tuo amico. Gli chiedi: "Ti piace la pizza?" e lui risponde "Sì". Ma se fosse stato solo gentile, o se avesse avuto fame e avesse detto sì a tutto? Nel mondo delle raccomandazioni online, questo accade continuamente. Gli utenti cliccano su cose che in realtà non amano, o semplicemente navigano senza acquistare. Questo è chiamato feedback implicito rumoroso (noisy implicit feedback).

Gli attuali programmi informatici che cercano di indovinare cosa ti piace (sistemi di raccomandazione) spesso trattano ogni clic come una verità assoluta. Costruiscono una mappa gigante (un grafo) che collega gli utenti agli articoli. Ma se la mappa ha troppe connessioni errate, il computer si perde. È come cercare di navigare in una città dove metà dei cartelli stradali indica la direzione sbagliata. La maggior parte dei metodi esistenti cerca di risolvere il problema eliminando casualmente alcune connesszioni o aggiungendone di finte per vedere cosa succede. Ma questo è un po' come cercare di riparare una mappa rotta lanciandoci contro dei dardi sperando di colpire il punto giusto. Spesso si rimuovono gli indizi buoni insieme a quelli cattivi.

La Soluzione: COMPASS e i suoi Occhiali Speciali

Gli autori di questo articolo, Mohammad Aliabadi, Alireza Abdollahpouri e Parham Moradi, hanno creato un nuovo sistema chiamato COMPASS. Inveve di indovinare casualmente quali connessioni siano reali, COMPASS utilizza un trucco matematico chiamato Scomposizione ai Valori Singolari (SVD).

Pensa alla SVD come a un modo per prendere una foto gigante e disordinata della biblioteca e scomporla in strati di chiarezza.

1. Lo Strato a Basso Rango (Il Quadro Generale): Questo strato mostra i modelli più ovvi. È come vedere la biblioteca da un drone: puoi vedere chiaramente i corridoi principali e le sezioni più popolari. Questo è ottimo per gli utenti che non hanno ancora letto molti libri (utenti sparsi) perché fornisce loro una raccomandazione sicura e generale basata su ciò che piace a tutti.
2. Lo Strato ad Alto Rango (I Dettagli Sottili): Questo strato fa lo zoom per mostrare i dettagli minuscoli e specifici. È come camminare lungo il corridoio e notare che una persona specifica ama un genere molto oscuro. Questo è ottimo per gli utenti che hanno letto molti libri (utenti attivi) perché cattura i loro gusti unici e specifici.

La maggior parte dei sistemi guarda solo uno di questi strati. COMPASS, invece, indossa un paio di occhiali Gumbel-Softmax. Questi occhiali decidono automaticamente quanto guardare il "quadro generale" rispetto ai "dettagli sottili" per ogni persona. Se sei un nuovo utente, gli occhiali si concentrano sul quadro generale. Se sei un super-fan, gli occhiali fanno lo zoom sui dettagli. Questo avviene automaticamente, senza che il computer debba essere istruito su cosa fare.

Il Sussurro Sociale

COMPASS ascolta anche i tuoi amici, ma lo fa con cautela. In molti sistemi, se il tuo amico piace qualcosa, il computer ti costringe a farlo piacere anche a te. Ma se il tuo amico è solo un tipo eccentrico? COMPASS tratta le connessioni sociali come un sussurro leggero. Dice: "Ehi, al tuo amico piace questo, quindi forse piacerà anche a te", ma non forza la mano. Se il computer vede che il gusto del tuo amico non corrisponde al tuo comportamento reale, ignora il sussurro. Questo aiuta il sistema a rimanere robusto anche se alcune connessioni sociali sono false o deboli.

L'Equilibrio

Addestrare un computer a fare tutte queste cose contemporaneamente è complicato. Il computer deve imparare a raccomandare articoli (il lavoro principale) e allo stesso tempo imparare a ignorare il rumore (il lavoro extra). Se si concentra troppo sull'ignorare il rumore, potrebbe dimenticare come raccomandare. Se si concentra troppo sulla raccomandazione, potrebbe confondersi a causa del rumore.

Gli autori hanno utilizzato una strategia di pesatura bilanciata del gradiente (gradient-balanced weighting). Immagina un'altalena dove i pesi si regolano costantemente. Il computer osserva quanto è difficile imparare ogni parte e sposta automaticamente il peso per mantenere l'altalena in equilibrio. Ciò assicura che il computer impari entrambe le abilità perfettamente, senza che una prevalga sull'altra.

Cosa hanno scoperto

Il team ha testato COMPASS su tre dataset reali: Yelp (attività commerciali), LastFM (musica) e Douban (libri). Ha confrontato il sistema con altri dieci sistemi di alto livello.

• Migliore Accuratezza: COMPASS ha costantemente superato gli altri sistemi. Sul dataset Douban, ha migliorato l'accuratezza delle raccomandazioni fino al 5,76% (misurato tramite NDCG@20) rispetto al secondo miglior sistema. Questo può sembrare poco, ma nel mondo dei motori di raccomandazione, è una grande vittoria.
• Gestione del Rumore: I ricercatori hanno deliberatamente aggiunto "rumore" ai dati, rendendo il 20% delle interazioni falsa. Anche con questa quantità di corruzione, COMPASS ha continuato a funzionare bene, mentre gli altri sistemi sono crollati. Ciò suggerisce che COMPASS è molto bravo a ignorare i segnali falsi.
• Aiuto ai Nuovi Utenti: Il sistema è stato particolarmente efficace nell'aiutare gli utenti con pochissime interazioni (utenti sparsi). Concentrandosi sul "quadro generale" per questi utenti, è riuscito comunque a fare buone ipotesi anche con pochi dati a disposizione.
• Velocità: Nonostante tutti questi calcoli extra, il sistema non è diventato molto più lento. I calcoli aggiuntivi (gli strati SVD) sono stati eseguiti una volta prima dell'inizio dell'addestramento, quindi durante l'apprendimento effettivo, era veloce quanto gli altri sistemi.

Conclusione

L'articolo suggerisce che il segreto per un buon sistema di raccomandazione non è solo avere più dati o aggiungere più rumore al mix. Si tratta di guardare i dati da diverse angolazioni. Scomponendo le connessioni utente-articolo in strati di "quadro generale" e "dettaglio sottile", e lasciando che il sistema decida quale angolazione osservare per ogni persona, possiamo costruire sistemi più intelligenti, più robusti e più capaci di gestire la disordinata realtà del comportamento umano.

Gli autori sottolineano che, sebbene questo funzioni bene, c'è ancora spazio per crescere. Il lavoro futuro potrebbe consistere nel rendere i "sussurri sociali" ancora più intelligenti, capendo quali amici siano affidabili, o utilizzando lo stesso concetto multi-strato per le reti sociali stesse. Ma per ora, COMPASS dimostra che una piccola scomposizione strutturale può fare grandi cose nel rendere le nostre raccomandazioni digitali un po' più umane.