Il suggeritore "responsabile"

Il dottorando David Massimo ci sta lavorando assieme al suo relatore, il prof. Francesco Ricci, una delle massime autorità nel campo dei sistemi di raccomandazione, ovvero quegli strumenti che aiutano l’utente a decidere quale prodotto o servizio acquistare. Recentemente la loro ricerca ha ottenuto il primo premio per il migliore articolo scientifico alla conferenza internazionale Enter, organizzata dalla International Federation for IT and Travel & Tourism a Cipro e che rappresenta l’evento di punta per quanto riguarda il mondo dell’informatica applicato al mercato del turismo.

L’obiettivo del team di ricerca della Libera Università di Bolzano è quello di accompagnare un ipotetico turista verso un’esperienza più interessante dei luoghi visitati e, al contempo, ottimizzare anche i flussi turistici in modo tale, per esempio da non congestionare il traffico nel centro delle città oppure da far scoprire nuove perle nascoste, al di fuori dei tradizionali circuiti, favorendo una redistribuzione dei profitti verso zone meno fortunate.

“Inizialmente, il nostro lavoro è nato dalla volontà di trovare una soluzione praticabile all’overtourism, cioè l’eccesso di turismo che peggiora la qualità di vita di chi abita e visita le località turistiche e che costituisce una delle problematiche più attuali”, spiega il ricercatore, “pertanto ci siamo chiesti in che modo le attuali tecnologie informatiche ci potessero dare una mano”.

La tecnologia sviluppata dal professore e il dottorando prevede un diverso ragionamento rispetto ad un sistema di raccomandazione tradizionale, quello, per intenderci usato dai maggiori portali di recensioni di viaggi, luoghi ed esercizi commerciali. L’idea che ha guidato il team è che nel caso del turismo il recommender system debba essere basato non su un modello di raccomandazione che utilizzi le informazioni di un singolo utente, quali i suoi giudizi e recensioni che spesso sono numericamente insufficienti, ma sulla creazione di un modello comportamentale di un gruppo omogeneo di utenti che sia in grado di spiegarne le preferenze nei vari contesti di visita (p.e. stagionalità, meteo, ora e affollamento) e che ne descriva il modello di decisione sequenziale (“che tipo di attrazione visito dopo aver visitato altre attrazioni?”).

Per riuscirci, hanno implementato una tecnologia basata su Inverse Reinforcement Learning, una nuova classe di algoritmi che date le sequenze di azioni svolte da un gruppo di utenti nel passato permette di calcolare l’utilità, detta anche reward, che questi utenti ottengono dalle azioni che hanno compiuto (punti di interesse visitati). In pratica, il sistema dopo aver identificato diverse classi di turisti (gruppi), raggruppando gli utenti sulla base di esperienze e preferenze comuni, è in grado di calcolare i modelli comportamentali (uno per ogni gruppo) e dunque l’utilità legata alle visite di diversi tipi di turisti. Questo permette di stimare data l’attività corrente di un utente l’utilità che otterrebbe svolgendo determinate visite nel futuro. Sulla base di questa informazione il sistema suggerisce ad ogni utente il prossimo punto di interesse da visitare massimizzando la soddisfazione e rispettando le sue preferenze.