Sviluppo di un sistema di raccomandazione basato su adaptive learning e tecnologie semantiche = Development of a recommendation system based on adaptive learning and semantic technologies

Nel Web moderno le piattaforme di e-commerce e i servizi di contenuti in streaming sono caratterizzati da vasti cataloghi di contenuti e prodotti a disposizione degli utenti iscritti. Nasce da ciò la necessità, per queste piattaforme, di moduli software che consentano loro di proporre nuovi contenuti o prodotti massimizzando le interazioni con gli utenti: i Sistemi di Raccomandazione. Questi generano raccomandazioni di contenuti o prodotti per l’utente, migliorando l’esplorazione del catalogo proposto. In questa tesi si presenta il lavoro di ricerca e sviluppo eseguito al fine di sviluppare un Sistema di Raccomandazione per il progetto (europeo) Erasmus+ CLIKC - Content and Language Integrated learning for Key Competences. Lo sviluppo del progetto è ancora in corso ed è iniziato a Giugno 2021 con scadenza fissata a Maggio 2023. Si presenta inizialmente una panoramica sulla teoria esistente che sta alla base dei raccomandatori. Si espongono i concetti di utente, item e feature e le difficoltà che vengono spesso affrontate, come il problema del Cold Start. Segue poi il concetto di feedback, l’importanza dell’attività di Feature Engineering e i principali approcci su cui si basano i Sistemi di Raccomandazione, come quelli Basati sul Contenuto, sul Filtraggio Collaborativo e l’Approccio Ibrido. Si espongono inoltre i passaggi fondamentali per ottenere le raccomandazioni, tra cui l’addestramento del modello e la successiva valutazione attraverso alcuni metodi. Segue una panoramica su alcuni dei framework e delle librerie esistenti per sviluppare Sistemi di Raccomandazione. Vengono poi esposte caratteristiche, motivazioni e obiettivi che stanno alla base del progetto CLIKC, ovvero la riduzione dei tempi di disoccupazione tramite lo sviluppo di una piattaforma Web innovativa per la formazione, a cui il Centro Nexa su Internet & Società - Politecnico di Torino contribuisce con lo sviluppo del Sistema di Raccomandazione, oggetto di questa Tesi. Si descrivono poi dataset utilizzati, struttura e funzionalità dei due applicativi prototipali di raccomandatori sviluppati, basati sui framework Collie e LightFM. Segue inoltre un’analisi sulle raccomandazioni ottenute tramite l’applicativo prototipale, basato su LightFM, utilizzando dataset caratterizzati da features più frequenti, tra gli item, rispetto ad altre. Infine, in questa esposizione si illustrano i framework e librerie impiegate e lo schema dell’architettura software prodotta per il progetto, consistente di due microservizi sviluppati con il framework FastAPI e disposti in cascata, uno di interfaccia verso l’esterno ed uno che gestisce il modello del raccomandatore basato sul framework LightFM; a ciò si aggiunge una descrizione dei contenuti prodotti dai partner didattici di progetto, i quali saranno utilizzati per la costruzione del dataset del raccomandatore.