Roma, 25 feb. (askanews) – Ogni giorno, milioni di news devono trovare la loro strada tra milioni di lettori. Per i media può risultare un’impresa ardua riuscire a trovare la giusta via per arrivare al lettore che davvero è interessato all’argomento trattato. Come fare? Al primo impatto può sembrare un’azione difficile ma in realtà il supporto arriva da algoritmi intelligenti, contenuti nei sistemi di raccomandazione, che suggeriscono notizie e contenuti interessanti sulla base delle preferenze dimostrate dimostrate dall’utente. I “recommendation system” (sistemi di raccomandazione) sono software di filtraggio di contenuti che creano suggerimenti personalizzati in base ai gusti e ai comportamenti della persona, in modo da rendere la navigazione web più stimolante, ampia e informativa. Giornali online, Social Media, e-commerce, piattaforme di fruizione video, musica e news, già da tempo utilizzano questi abili filtri in grado di registrare gli interessi dell’utente e proporre argomenti, persone o prodotti che concordano con le preferenze dimostrate.
I sistemi di raccomandazione scelgono selettivamente il contenuto che l’utente dovrà visualizzare, cristallizzano le preferenze dell’internauta e, nel caso peggiore, continuano a proporre contenuti appartenenti sempre alla stessa categoria. Questo fenomeno che prende il nome di Filter Bubble (bolla di filtraggio) lascia l’utente/persona all’interno di una sfera sociale e informativa impermeabile a qualsiasi novità. Questo può dare vita alla cosiddetta Fear Of Missing Out (FOMO), ovvero quella sensazione di “essere esclusi”, di non riuscire a venire a contatto con informazioni importanti e interessanti proprio a causa di questi filtri. Il progetto CPN (Content Personalization Network), nato nell’ambito dei progetti Horizon 2020, ha l’obiettivo di sfruttare le potenzialità dell’elligenza Artificiale e dei Big Data per valorizzare al meglio l’estrazione di valore dai dati e, in questo modo, approfondire l’interazione con il pubblico di riferimento. La piattaforma virtuale aperta (CPN – Content Personalization Network), sviluppata da CPN, è in grado di aiutare gli editori a veicolare news e contenuti multimediali che tengano conto della posizione, del contesto di fruizione, del device, della conoscenza di argomenti di interesse e del bagaglio culturale del lettore di riferimento. In questo modo si ha la possibilità di preservare un panorama pluralistico dei media europei che sottolinea la diversità culturale e la trasparenza.
CPN è frutto della collaborazione tra importanti centri di ricerca, aziende Data Scientist e grandi broadcaster europei. In particolare, hanno preso parte al progetto partner del settore media come VRT, DIAS, DEUTSCHE WELLE, WAN IFRA e del settore AI come ENGINEERING, DIGITAL CATAPULT, IMEC, ATC e LIVE TECH.
A differenza degli attuali sistemi di raccomandazione che non stimolano l’utente ad uscire dalla propria “bolla di filtraggio”, CPN sta sviluppando un motore di personalizzazione definito ibrido, in grado di arricchire realmente l’esperienza dell’utente, veicolando contenuti multimediali nuovi e sempre più interessanti. La raccomandazione ibridaconsiste nella combinazione di due approcci: 1) Content Based: gli algoritmi estraggono una serie di parole chiave, topics, attributi ed etichette che vanno a costituire il profilo di argomenti interessanti per un determinato utente. Questa tipologia di algoritmi è molto raffinata ed è in grado di incrociare i contenuti con il profilo di uno specifico lettore tramite l’analisi del suo comportamento durante il periodo di navigazione. 2) Collaborative Filtering: gli algoritmi recuperano informazioni predittive sulla base degli interessi di un insieme dato di utenti. Questi algoritmi hanno la prerogativa di essere indipendenti dal genere di contenuto testi, video, musica) su cui operano.
La rivoluzione del sistema ibrido, sviluppato da CPN, consiste proprio nel far interagire questi due approcci al fine di profilare gli utenti sia in funzione del comportamento dimostrato durante la navigazione web sia sulla base degli interessi espressi. Questo metodo, rende più efficace la raccomandazione poiché individua e crea una vera e propria esperienza centrata esclusivamente sull’utente/persona.