Rivoluzionare le raccomandazioni di libri nelle biblioteche

Negli ultimi anni, la tecnologia, in particolare la tecnologia dell'informazione e della comunicazione (ICT), ha reso più facile raccogliere e analizzare un sacco di dati su cosa piace agli utenti e come si comportano. Questo ha aiutato a creare servizi e applicazioni che possono soddisfare meglio le esigenze degli utenti in vari settori, tra cui la sanità, lo shopping, l'agricoltura e le industrie. Anche l'istruzione ha beneficiato di questi progressi. Con i nuovi strumenti offerti dalla tecnologia, possiamo migliorare i servizi educativi e rendere l'apprendimento più personalizzato per gli studenti.

Le biblioteche giocano un ruolo importante nell'istruzione e nella cultura. Devono adattarsi al mondo digitale che cambia, continuando a fornire i servizi essenziali di istruzione, uguaglianza e trasparenza. Un progetto che mira a farlo è il progetto Reading Machine, che si concentra sul fare raccomandazioni di libri nelle biblioteche pubbliche.

#Il Progetto Reading Machine

Il progetto Reading Machine riguarda la creazione di un'applicazione che suggerisce libri ai lettori in base ai loro interessi. Questa applicazione sarà disponibile nelle biblioteche pubbliche di Torino, Italia, e utilizzerà un'interfaccia di realtà virtuale per aiutare gli utenti a trovare libri che potrebbero piacergli. Il progetto è ancora nelle fasi iniziali e stiamo attualmente analizzando vari set di dati per progettare e valutare diversi Sistemi di Raccomandazione.

Per sviluppare questa applicazione, stiamo usando due fonti principali di dati. Il primo dataset proviene dalle biblioteche pubbliche di Torino, coprendo i prestiti di libri degli ultimi nove anni. Il secondo dataset è da Anobii, un social network dove le persone discutono e condividono le loro esperienze di lettura. Questa rete ha oltre un milione di utenti, tutti i quali condividono le loro opinioni sui libri che leggono.

Da questi dati, stiamo costruendo due tipi di sistemi di raccomandazione: uno basato sulle caratteristiche dei libri (content-based) e l'altro sul comportamento degli utenti (collaborative-filtering). Le nostre valutazioni mostrano che l'approccio collaborative-filtering tende a funzionare meglio nel nostro caso. Utilizzando i dati di Anobii, possiamo includere più utenti e migliorare i dettagli disponibili per i libri.

#Opere Correlate

I sistemi di raccomandazione hanno una vasta gamma di usi nella vita quotidiana. Si basano sul feedback degli utenti per capire le loro preferenze. Questo feedback può essere raccolto direttamente, come attraverso le valutazioni, o indirettamente, osservando le azioni degli utenti. Ci sono due principali tipi di sistemi di raccomandazione: sistemi content-based e sistemi collaborative-filtering.

I sistemi content-based esaminano le caratteristiche degli oggetti che piacciono agli utenti. Ad esempio, se un utente apprezza i libri di un certo autore, il sistema consiglia altri libri di quell'autore o con temi simili. I sistemi collaborative-filtering, d'altra parte, fanno suggerimenti basati sulle preferenze di utenti simili. Questi sistemi sono stati utilizzati per vari scopi, tra cui raccomandare programmi TV o opzioni di viaggio.

Nonostante il loro successo in altri campi, i sistemi di raccomandazione per i libri nelle biblioteche non sono così comuni. Questo potrebbe essere dovuto alle sfide nel ottenere dati accurati e ampi sulle abitudini di lettura degli utenti. Un esempio di un sistema di raccomandazione in una biblioteca si concentra su studenti universitari, utilizzando le loro scelte di corsi per fornire suggerimenti di libri. Il nostro progetto è diverso poiché si rivolge a biblioteche pubbliche generali, utilizzando approcci multipli per le raccomandazioni.

In Finlandia, ad esempio, la Biblioteca Centrale di Helsinki Oodi ha introdotto un bot alimentato da intelligenza artificiale chiamato Obotti, che suggerisce libri agli utenti in base alle loro preferenze di lettura. Mentre Obotti si basa su chat per raccogliere interessi degli utenti, il nostro progetto arricchisce i dati delle biblioteche con informazioni da un social network, consentendo un confronto tra vari sistemi di raccomandazione.

#Dati e la Loro Importanza

Per questo progetto, stiamo utilizzando dati dalle Biblioteche Civiche di Torino (Bct), una rete di 49 biblioteche pubbliche a Torino. Queste biblioteche offrono accesso a un'ampia gamma di libri attraverso un sistema di prestito.

Il dataset BCT include due tabelle principali: una per i libri e un'altra per i prestiti. La tabella dei libri contiene dettagli come l'identificativo unico del libro, autore, titolo, tipo e lingua. La tabella dei prestiti tiene traccia dei dettagli di ciascun prestito, inclusi un ID utente anonimizzato e la data di prestito.

Oltre alla BCT, stiamo utilizzando i dati di Anobii. Questa piattaforma consente agli utenti di creare biblioteche virtuali, condividere opinioni e valutare i libri che leggono. Il dataset Anobii fornisce informazioni preziose, comprese le descrizioni dei libri, i generi e le valutazioni dei lettori.

Unendo i dataset BCT e Anobii, creiamo un set di dati completo che incorpora i punti di forza di entrambe le fonti. Questa combinazione ci consente di migliorare i metadati dei libri e include una gamma più ampia di utenti, il che è particolarmente vantaggioso per i nostri sistemi di raccomandazione.

#Progettazione dei Sistemi di Raccomandazione

Quando si sviluppa un sistema di raccomandazione, il tipo di feedback ricevuto dagli utenti gioca un ruolo cruciale. In contesti bibliotecari, gli utenti di solito non valutano i libri che leggono. Invece, assumiamo che se un utente ha preso in prestito un libro, lo ha apprezzato in qualche modo. Anche se questa assunzione potrebbe non essere sempre vera, serve come base per le nostre raccomandazioni.

Il sistema di raccomandazione genera un elenco classificato di libri per ciascun utente in base alla loro storia di lettura. Questo elenco mira a suggerire i libri che l'utente è più propenso a gradire. Il numero di libri raccomandati è scelto con cura per fornire un equilibrio tra qualità e sovraccarico per l'utente a causa di troppe scelte.

Esploriamo diversi metodi per creare raccomandazioni, tra cui:

1. Raccomandazioni Casuali: Questo approccio di base seleziona casualmente libri che un utente non ha ancora letto.
2. Raccomandazioni dei Più Lettori: Questo metodo consiglia i libri più popolari tra tutti gli utenti, indipendentemente dalle preferenze individuali.
3. Elementi Più Vicini: Questo metodo content-based trova libri simili a quelli che un utente ha già letto.
4. Ranking Personalizzato Bayesiano (BPR): Questo approccio collaborative-filtering regola le raccomandazioni in base alle interazioni dell'utente con i libri.

#Indicatori Chiave di Prestazione

Per valutare le prestazioni dei nostri sistemi di raccomandazione, misuriamo diversi indicatori. Questi indicatori ci aiutano a capire quanto bene i sistemi funzionano nel suggerire libri rilevanti per gli utenti. Alcuni metriche chiave di prestazione includono:

• Numero di Utenti con Raccomandazioni Rilevanti: Questo indica quale percentuale di utenti riceve almeno una raccomandazione utile.
• Numero Medio di Raccomandazioni Rilevanti per Utente: Questo misura quanti libri raccomandati un utente trova utili.
• Precisione: Questa metrica calcola la percentuale di libri raccomandati che sono anche nella storia di lettura dell'utente.
• Richiamo: Questa misura quanto efficacemente il sistema suggerisce libri dalla lista di lettura dell'utente.
• Posizione Media del Primo Rank: Questo indica la posizione della prima raccomandazione rilevante, con numeri più bassi che sono migliori.

#Risultati e Intuizioni

Nel valutare i diversi sistemi di raccomandazione, abbiamo scoperto che il metodo collaborative-filtering ha fornito risultati migliori rispetto ai sistemi content-based. Utilizzare dati da Anobii ha notevolmente migliorato la qualità delle nostre raccomandazioni.

In generale, le raccomandazioni non personalizzate hanno avuto performance scarse rispetto agli approcci personalizzati. In particolare, il modello BPR ha prodotto i risultati migliori, dimostrando che usare i dati degli utenti sia da BCT che da Anobii crea un sistema di raccomandazione più efficace.

Abbiamo anche analizzato l'impatto di diversi fattori sulle prestazioni dei sistemi, come il numero di libri letti dagli utenti e il tipo di metadati usati per fare raccomandazioni. Le nostre scoperte hanno indicato che gli utenti che leggono un numero maggiore di libri tendono a ricevere raccomandazioni migliori.

Nella nostra analisi dei metadati, abbiamo scoperto che combinare autori di libri e generi nel riassunto dei dati ha dato i migliori risultati per il nostro approccio agli elementi più vicini, sottolineando l'importanza di usare fonti di informazioni diverse nei sistemi di raccomandazione.

#Conclusione

Il progetto Reading Machine mira a migliorare l'esperienza degli utenti delle biblioteche pubbliche fornendo raccomandazioni di libri personalizzate. Combinando i dati di prestito delle biblioteche con il feedback degli utenti da un social network, stiamo sviluppando sistemi che possono migliorare notevolmente il modo in cui i lettori trovano libri che potrebbero gradire.

Mentre continuiamo a perfezionare e ottimizzare i sistemi di raccomandazione, puntiamo a esplorare come raccomandare titoli più diversi che gli utenti potrebbero non aver considerato ma che probabilmente gradirebbero. In futuro, sarebbe anche utile incorporare sequenze di lettura degli utenti, permettendo raccomandazioni ancora più su misura.

Attraverso la ricerca e lo sviluppo costanti, speriamo di rendere le biblioteche pubbliche ancora più coinvolgenti e rilevanti per le comunità che servono, incoraggiando più persone a scoprire la gioia della lettura.