La Raccomandazione · Il piatto giusto per te
Santana & Domingues 2020 — Rassegna sistematica sui sistemi di raccomandazione contestuale con deep learning ed embedding
Immaginate un'app che, sapendo che state camminando verso casa un martedì sera sotto la pioggia, vi suggerisca esattamente il piatto che vorreste mangiare — non i soliti cinque ristoranti già visitati. Questa è la promessa dei sistemi di raccomandazione contestuale (CARS): algoritmi che tengono conto di dove siete, che ora è e cosa avete fatto di recente.
Questa rassegna ha catalogato tutti gli articoli pubblicati tra il 2014 e il 2020 che hanno tentato di rendere questi sistemi più intelligenti usando reti neurali profonde o la tecnica degli 'embedding' resa celebre da Word2Vec di Google. Solo 16 lavori in tutto il mondo soddisfacevano i rigidi criteri di selezione — un corpus piccolo ma in rapida crescita, con un picco nel 2018.
Il quadro che emerge è sorprendentemente nitido: la maggior parte della ricerca si concentrava sui luoghi fisici (POI), non sull'ordine di cibo o sullo shopping; e lo strumento preferito non era una grande rete neurale ma un embedding relativamente compatto che converte luoghi, orari e cronologie utente in vettori numerici confrontabili dalla macchina.
Cosa dice, in breve
- Santana & Domingues (2020) è la prima rassegna sistematica a mappare l'intersezione tra sistemi di raccomandazione contestuale (CARS), deep learning (DL) e modelli di embedding, coprendo il periodo 2014-2020.
- Quattro banche dati digitali (ACM, IEEE Xplore, ScienceDirect, Springer Link) hanno restituito 272 riferimenti iniziali; dopo la de-duplicazione (−41) e l'applicazione di quattro criteri di esclusione, sono stati conservati 16 articoli primari.
- Il dominio applicativo dominante è il Point-of-Interest (POI), seguito da e-commerce (3 lavori), musica (2), moda, notizie e video (1 ciascuno); 9 dei 16 lavori si concentrano su architetture session-based.
- Distribuzione delle tecniche: 10/16 lavori usano esclusivamente embedding, 4/16 DL puro, 2/16 una combinazione di entrambi; l'anno di picco per le pubblicazioni nell'intersezione è il 2018.
- L'architettura DL dominante è RNN/LSTM; la famiglia di embedding dominante è Word2Vec/Skip-gram in varianti adattate al dominio.
- La conclusione identifica RNN/LSTM e Word2Vec come la coppia architetturale emergente di consenso per l'estrazione contestuale in CARS session-based.
Provenienza
- Fonte
- A Systematic Review on Context-Aware Recommender Systems Using Deep Learning and Embeddings— Santana & Domingues 2020
- Licenza
- unknown
- Nel Kosmos
- 4 voci · 142 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.