Come Funzionano i Sistemi di Raccomandazione come Google Discover

## Come Funzionano i Sistemi di Raccomandazione Come Google Discover

Google Discover rimane in gran parte un mistero per editori e professionisti del marketing digitale, nonostante le linee guida ufficiali fornite da Google. Sebbene non venga generalmente considerato un sistema di raccomandazione, in realtà rientra in questa categoria. Questo articolo esamina come i sistemi di raccomandazione, come quello di YouTube, possono offrire spunti su come Google Discover potrebbe essere adattato e migliorato.

### Cosa Sono i Sistemi di Raccomandazione

Google Discover appartiene ai sistemi noti come sistemi di raccomandazione. Un esempio classico è il sistema MovieLens, creato negli anni ’90, che permetteva agli utenti di classificare i film per raccomandarne di nuovi. Il principio alla base era semplice: gli utenti che amano un certo genere tendono a gradire anche altri film simili. Tuttavia, algoritmi di questo tipo mostrano limitazioni significative, specialmente quando si tratta di personalizzare raccomandazioni per piattaforme con enormi quantità di contenuto come YouTube o Google Discover.

### Il Modello del Sistema di Raccomandazione a Due Torri

I moderni sistemi di raccomandazione, come quello sviluppato per YouTube, sono spesso noti come architettura a “Due Torri”. Questo modello è stato creato per gestire il vasto volume di contenuti generati continuamente.

Il termine “Due Torri” fa riferimento a due rappresentazioni che vengono abbinate tra loro: la “User Tower” e la “Item Tower”.

#### User Tower

La User Tower elabora dati come la cronologia di visualizzazione, le ricerche effettuate, la posizione e i dati demografici. Crea una rappresentazione vettoriale che mappa gli interessi specifici dell’utente in uno spazio matematico.

#### Item Tower

La Item Tower rappresenta i contenuti attraverso vettori di embedding appresi. Questi vettori vengono memorizzati per un rapido recupero, permettendo al sistema di confrontare le “coordinate” di un utente con milioni di coordinate video in tempo reale, senza dover eseguire analisi complesse per ogni singolo video.

### Il Problema della Freschezza dei Contenuti

Un punto interessante nel lavoro di ricerca di Google riguarda la prospettiva sulla freschezza dei contenuti. La raccomandazione di contenuti freschi si presenta come una questione di bilanciamento: mostrare contenuti già popolari (sfruttamento) contro l’esplorazione di contenuti nuovi e non dimostrati. Gli utenti mostrano una forte preferenza per i contenuti freschi, il che ha implicazioni anche per Google Discover, che tende a favorire articoli recenti nelle aree di interesse dell’utente.

### L’Accuratezza dei Dati di Click

Un’altra intuizione significativa riguarda i segnali di feedback impliciti, come i dati di click. Questi dati raramente forniscono informazioni accurate sulla soddisfazione degli utenti a causa di vari fattori esterni non osservabili. Gli algoritmi di apprendimento automatico devono essere robusti di fronte a queste caratteristiche del loro data training.

### Conclusione

Sebbene il documento di ricerca sia di dieci anni fa, offre ancora spunti preziosi su come funzionano i sistemi di raccomandazione e contribuisce a chiarire parte del mistero che circonda Google Discover. Comprendere tecnologie come quelle utilizzate in YouTube può fornire indicazioni utili su come aumentare la visibilità dei propri contenuti all’interno di Google Discover.

Puoi leggere il documento di ricerca originale [qui](https://research.google/pubs/deep-neural-networks-for-youtube-recommendations/).