Nell'era digitale, ci viene costantemente chiesto di fidarci dei consigli altrui. Quando un servizio di streaming suggerisce un film o un sito di shopping raccomanda un prodotto, spesso si basa sulla logica secondo cui le persone che hanno apprezzato le stesse cose in passato apprezzeranno le stesse cose in futuro. Questa è la base dei moderni sistemi di raccomandazione. Tuttavia, nel mondo reale, le nostre connessioni sociali sono raramente specchi perfetti dei nostri gusti. Potremmo essere amici con qualcuno perché siamo cresciuti insieme o lavoriamo nello stesso ufficio, anche se abbiamo hobby completamente diversi. Quando un algoritmo informatico tratta ogni amicizia come un segno di interesse condiviso, rischia di essere tratto in inganno da queste connessioni deboli o irrilevanti. Questo rumore può confondere il sistema, portandolo a suggerire articoli che l'utente non apprezzerà affatto.

I ricercatori della Shandong University of Technology hanno sviluppato un nuovo approccio per risolvere questo problema, con l'obiettivo di rendere più intelligenti queste raccomandazioni digitali, insegnando al computer a distinguere tra un vero interesse condiviso e una mera connessione sociale. Chiamano il loro metodo RGDRec. Invece di accettare ciecamente ogni legame sociale come una guida, il sistema agisce come un editor attento, valutando l'affidabilità di ogni relazione prima di lasciare che influenzi il suggerimento finale. Filtrando le connessioni inaffidabili e pesando quelle rimanenti in base a quanto bene corrispondono al comportamento effettivo dell'utente, i ricercatori hanno scoperto di poter migliorare significativamente l'accuratezza delle raccomandazioni, anche quando i dati sociali erano disordinati o pieni di distrazioni.

La sfida centrale affrontata dal team è che le reti sociali del mondo reale sono spesso rumorose. In un tipico grafo sociale, che è semplicemente una mappa di chi è connesso con chi, molti collegamenti non riflettono vere somiglianze di gusto. Un utente potrebbe seguire una celebrità che ammira ma non acquistare mai i prodotti che quella celebrità promuove, oppure potrebbe essere connesso a un amico con cui non condivide alcun interesse comune. Quando gli algoritmi di raccomandazione standard diffondono le informazioni attraverso queste reti, trattano ogni connessione come ugualmente importante. Ciò significa che un collegamento rumoroso o debole può diluire il segnale proveniente da un collegamento forte e rilevante, portando il sistema a fare ipotesi errate su ciò che un utente desidera. I ricercatori hanno capito che per risolvere questo problema, avevano bisogno di un modo per misurare l'affidabilità di ogni legame sociale prima di usarlo per apprendere le preferenze di un utente.

Per affrontare la questione, il team ha progettato un processo in due fasi che funge da filtro per le informazioni sociali. In primo luogo, il sistema esamina i dati grezzi per formulare una stima iniziale di quanto sia affidabile una specifica amicizia. Lo fa controllando due cose: quanto le due persone abbamente interagito con gli stessi prodotti o contenuti in passato, e quanto l'amico sia centrale all'interno della rete sociale più ampia. Se due amici hanno acquistato molti degli stessi libri o visitato gli stessi ristoranti, il sistema marca la loro connessione come altamente affidabile. Se non hanno una storia condivisa, la connessione viene segnalata come potenzialmente debole. Questa valutazione iniziale non è una decisione definitiva, ma un punteggio di probabilità che determina quanto sia probabile che il sistema utilizzi quella specifica amicizia per trasmettere informazioni.

Una volta che il sistema ha ottenuto questi punteggi di affidabilità, non si limita a eliminare i legami deboli. Inveve, utilizza un processo di selezione dinamica. Durante la fase di apprendimento, il sistema decide casualmente se includere una specifica connessione sociale nei suoi calcoli, ma compie questa scelta in base al punteggio di affidabilità. Le connessioni ad alta affidabilità vengono quasi sempre incluse, mentre quelle a bassa affidabilità vengono saltate frequentemente. Questo accade ripetutamente mentre il sistema apprende, permettendogli di esplorare diverse combinazioni di dati sociali senza scartare permanentemente alcuna informazione. Questo approccio assicura che il sistema non rimanga bloccato con una singola visione, potenzialmente fallace, della rete sociale, ma possa concentrarsi in modo adattivo sulle connessioni più utili.

Il secondo passaggio prevede l'affinamento dell'influenza delle connessioni che vengono selezionate. Anche tra gli amici affidabili, alcuni potrebbero essere più rilevanti per un compito di raccomandazione specifico rispetto ad altri. Il sistema utilizza un meccanismo apprendibile per regolare il peso di ogni connessione, decidendo essenzialmente quanta attenzione prestare a ogni vicino. Ciò consente al modello di amplificare le voci degli amici che condividono davvero gli interessi dell'utente e di attenuare l'influenza di quelli che sono solo debolmente connessi. Combinando questo filtraggio selettivo con una attenta regolazione dell'influenza, il sistema costruisce un quadro molto più pulito delle preferenze dell'utente, libero dal rumore statico che spesso affligge i modelli di raccomandazione sociale.

Per garantire che questo filtraggio sociale aiuti effettivamente la raccomandazione finale, i ricercatori hanno aggiunto un passaggio di apprendimento contrastivo cross-dominio. Questo è un metodo di addestramento per assicurare che le informazioni sociali raccolte siano coerenti con la storia reale di acquisto o di visione dell'utente. Il sistema confronta la rappresentazione di un utente derivata dalla sua rete sociale con la rappresentazione derivata dalle sue interazioni dirette con gli articoli. Incoraggia queste due visioni a essere coerenti se provengono dalla stessa persona, mentre le allontana se provengono da persone diverse. Questo funge da controllo, garantendo che l'informazione sociale utilizzata sia genuinamente utile per prevedere le preferenze e non sia solo chiacchiericcio sociale casuale. Fondamentalmente, la raccomandazione finale è ancora basata sulla cronologia delle interazioni dirette dell'utente, con i dati sociali che servono solo come guida di supporto durante il processo di addestramento. Questo design impedisce che qualsiasi rumore residuo della rete sociale possa corrompere direttamente l'elenco finale dei suggerimenti.

Il team ha testato il proprio metodo su tre grandi dataset del mondo reale contenenti informazioni sugli utenti su piattaforme come Yelp, Douban e Ciao. Questi dataset includevano milioni di interazioni e connessioni sociali, fornendo un ambiente rigoroso per testare la capacità del sistema di gestire il rumore. I risultati hanno mostrato che il loro metodo, RGDRec, ha superato costantemente i modelli esistenti allo stato dell'arte. Ha raggiunto una maggiore accuratezza nella previsione di quali articoli agli utenti piacerebbero, misurata tramite metriche standard come quanti articoli rilevanti apparivano nei primi dieci o venti suggerimenti. Il miglioramento è stato evidente in tutti e tre i dataset, suggerendo che l'approccio è robusto ed efficace indipendentemente dal tipo di dati o dalla densità della rete sociale.

Per dimostrare che il loro metodo stesse effettivamente filtrando il rumore e non fosse solo fortunato, i ricercatori hanno condotto un test di stress. Hanno iniettato artificialmente un gran numero di connessioni sociali false e casuali nei dataset, simulando uno scenario in cui la rete sociale fosse pesantemente corrotta. Anche quando il numero di connessioni false era il doppio di quello delle connessioni reali, il sistema ha mantenuto le sue prestazioni. L'analisi ha dimostato che il sistema assegnava naturalmente pesi molto bassi a queste connessioni rumorose iniettate, ignorandole efficacementamente pur dando comunque grande importanza ai legami genuini e affidabili. Ciò ha dimostrato che il meccanismo guidato dall'affidabilità stava identificando e sopprimendo con successo il rumore, mantenendo stabile la qualità della raccomandazione anche in condizioni estreme.

Ulteriori analisi hanno rivelato che il successo del sistema derivava dalla combinazione dei suoi due componenti principali. Rimuovere il filtraggio dell'affidabilità causava un calo delle prestazioni, confermando che usare semplicemente i dati sociali senza controllarne la qualità non è sufficiente. Allo stesso modo, rimuovere il passaggio di apprendimento cross-dominio danneggiava le prestazioni, dimostrando che allineare i dati sociali con il comportamento reale dell'utente è essenziale. Lo studio suggerisce che il modo più efficace per utilizzare l'informazione sociale non è trattarla come una mappa fissa della verità, ma come un insieme dinamico di indizi che devono essere costantemente valutati e pesati in base a quanto bene corrispondono alle azioni reali dell'utente.

I ricercatori riconoscono che il loro metodo attuale si basa su dati statici, come le interazioni passate e la struttura della rete, e potrebbe non catturare completamente la complessità delle relazioni che cambiano nel tempo o dipendono da contesti specifici. Hanno inoltre notato che le loro simulazioni di rumore, sebbene efficaci, sono più semplici rispetto alla realtà disordinata delle reti sociali del mondo reale, dove le cattive connessioni potrebbero comunque avere una qualche sottile influenza. Tuttavia, il lavoro fornisce una solida base per futuri sistemi che possano navigare meglio il divario tra chi siamo connessi e ciò che ci piace realmente. Insegnando agli algoritmi a essere scettici nei confronti dei legami sociali e a dare priorità alle prove di interesse condiviso, questa ricerca offre una via più chiara verso raccomandazioni che sembrano genuinamente utili piuttosto che solo statisticamente probabili.