logo logo

Machine learning nel settore editoriale: continuo apprendimento delle preferenze del lettore, miglioramento del content discovery


27/07/2018 · MACHINE LEARNING

MACHINE LEARNING

L’universo comunicativo dei lettori, largamente dominato dai media digitali, come evidenzia il XIV studio del Censis sulla comunicazione, si caratterizza per un forte orientamento alla condivisione e alla discussione attraverso canali quali social network e chat, dove si costituiscono club del libro che si incontrano in rete, comunità di lettori che si confrontano online.

Le stesse piattaforme di vendita di e-book sono ambienti di social reading dotati di strumenti per la discussione sui libri acquistati. Il formato e-book permette di condividere, con tutti coloro che acquistano uno stesso libro, i brani che ogni lettore sottolinea o le note su un brano specifico del testo: chiunque compri lo stesso titolo vedrà affiorare l’indicazione del passo annotato, potrà sapere quanti altri lettori lo hanno a loro volta annotato o potrà condividerlo sui social network.

Aggregando ed analizzando i dati relativi a queste conversazioni è possibile profilare il lettore, comprenderne gusti e preferenze per titoli, autori, generi, apprendere in quali momenti della giornata si dedica alla lettura, profilare segmenti di pubblico.

Sulla base delle informazioni contenute nei dati raccolti i sistemi di machine learning sono in grado di produrre e progressivamente ottimizzare la risposta rispetto allo svolgimento di un’azione specifica richiesta. Si tratta di sistemi che apprendono continuamente e migliorano le proprie prestazioni, dopo lo svolgimento di un compito, estraendo dati presenti in rete, forniti dal comportamento degli utenti, rispetto ad una specifica esperienza.

Una delle possibili applicazioni dei sistemi di machine learning in ambito editoriale riguarda il miglioramento del content discovery. Piattaforme di rilevamento dei contenuti si avvalgono di algoritmi in grado di selezionare e suggerire il contenuto più appropriato all’utente sulla base dell’analisi del comportamento, delle preferenze e delle valutazioni di diversi utenti, della ricerca all’interno dei contenuti di schemi comuni (pattern recognition) o delle scelte di un pubblico simile. In quest’ultimo caso, l’algoritmo sarà in grado di analizzare le caratteristiche che contraddistinguono il pubblico di riferimento e potrà proporre contenuti, preferiti da questo, a nuovi segmenti di target che hanno caratteristiche comuni.

Pinterest, piattaforma social che gestisce flussi di contenuti esterni, dal 2015, per rispondere alla ricerca degli utenti con risultati rilevanti e selezionati sulla base delle preferenze dell’utente, si avvale di un sistema di machine learning in grado di contenere oltre 400 milioni di relazioni tra contenuti e costruire un sistema di raccomandazione sempre più personalizzato.

Anche Twitter utilizza sistemi di machine learning per comporre il feed da restituire ad ogni utente. Si tratta di un sistema di valutazione in tempo reale dei tweet che li classifica rispetto a metriche determinate. Gli algoritmi di suggerimento di twitter propongono i tweet destinati ad avere maggior riscontro sulla base delle preferenze individuali di ogni utente.

La capacità dei sistemi di machine learning di apprendere grazie all’esperienza mette in atto un continuo miglioramento nella ricerca e selezione dei contenuti da proporre ai lettori, contenuti che saranno sempre più pertinenti con il profilo dell’utente ai quali vengo proposti, siano essi prodotti editoriali da acquistare, community delle quali far parte o eventi di settore ai quali partecipare.