Sommario Questo articolo presenta una strategia di ranking di attivita commerciali basata su tre criteri: la \topicalita" dell'attivita rispetto alla query dell'utente, il rapporto tra recensioni negative/positive e la popolarita forniti all'attivita direttamente dagli utenti. Il prototipo sviluppato su Yelp e testato sullo Yelp Academic Dataset ha dato risultati preliminari interessanti.
In questa sezione viene formalizzata la strategia di ranking di attivita
commerciali che, data una query, combina tre diversi valori per ciascuna attivita
reperita:
{ il valore (TR) prodotto dalla valutazione del matching tra query e descrizione
dell'attivita, calcolata sulla base di un modello di Information Retrieval (ad
esempio il vector space model [
La strategia di ranking qui proposta si basa su un ordine di priorita tra i tre criteri coinvolti nella stima di rilevanza di ciascuna attivita commerciale: 1) non vogliamo che, nella lista dei risultati di una query, un'attivita non rilevante rispetto alla query stessa abbia una posizione migliore rispetto ad una rilevante solo perche piu popolare, 2) il valore calcolato analizzando la polarita delle recensioni descrive in modo piu signi cativo il reale sentimento degli utenti verso una data attivita commerciale, rispetto al valore derivato dal punteggio assegnato dagli utenti in base a criteri non ben de niti.
Per queste ragioni si e scelto di aggregare i criteri per calcolare la stima di
rilevanza utilizzando un operatore di aggregazione con priorita Fp [
L'operatore di aggregazione con priorita usato per calcolare il valore di rilevanza complessivo e de nito come Fp : [0; 1]n ! [0; n], ed e tale che data un'attivita a n Fp(C1(a); :::; Cn(a)) = X i=1 i
Ci(a) (1)
Siano a un'attivita commerciale, A l'insieme delle attivita indicizzate dal sito e q una query dell'utente. Siano N P 2 N il numero di recensioni positive dell'attivita a, N N 2 N il numero di recensioni negative di a, stars 2 f0; 0:5; 1; :::; 4:5; 5g il valore di popolarita di a assegnato direttamente dagli utenti. Per ogni attivita Yelp assegna un valore di popolarita calcolato come media dei punteggi assegnati direttamente dagli utenti durante la recensione dell'attivita commerciale. Questo valore avstars ha di nuovo valori in f0; 0:5; 1; :::; 4:5; 5g. T R 2 R+ e il valore di topicalita del documento d rispetto alla query q.
Il valore basato sulla polarita delle recensioni RS e calcolato attraverso una funzione non simmetrica RS(N P; N N ) de nita in modo da promuovere le attivita commerciali con un alto numero di recensioni positive rispetto a quelle con un alto numero di recensioni negative.
RS : N N ! [0; 1] ha la seguente de nizione 1 >:1
1 NP +1 ; se N N = 0
NNNP ; se N P N N e N N > 0; Si noti che il valore cos calcolato dipende dal rapporto tra il numero di recensioni negative e positive, non dal loro numero complessivo. In questo modo si evita il noto problema del cold start in cui una nuova attivita commerciale, priva di recensioni, di cilmente apparira nelle prime posizioni della lista dei risultati di una query e avra pertanto la possibilita di essere recensita.
Il valore di popolarita e calcolato mediante una funzione P S normalizzata nell'intervallo [0; 1] e de nita come P S : f0; 0:5; 1; :::; 4:5; 5g ! [0; 1]: P S(avstars) = avstars=5
Sia T Rmax 2 R+ il valore massimo di TR di tutte le attivita commerciali reperite rispetto alla query q nella collezione A.
Il valore complessivo di stima della rilevanza qui de nito e calcolato dalla funzione Fp(T R(a); RS(a); P S(a)) de nita come Fp : [0; 1]3 ! [0; 3] (2) T R(a)
T Rmax Fp(T R(a); RS(a); P S(a)) =
T R +
RS RS(a) +
P S P S(a) (3) dove T R = 1, RS =
T R(a) , e P S = T R T Rmax
RS RS(a).
Grazie a questa funzione la posizione di un'attivita commerciale nella lista dei risultati risulta premiata o penalizzata dai due criteri derivanti dalla comunita di utenti, senza pero che un'attivita non pertinente rispetto alla query risulti in posizione migliore rispetto ad una pertinente solo a causa della popolarita. 3
Al momento della stesura di questo lavoro non e stata ancora e ettuata una
valutazione esaustiva del prototipo, ma sono state fatte alcune prove d'uso
utilizzando lo Yelp Academic Dataset. Il prototipo e stato sviluppato utilizzando
Lucene 5.2.1, JsonSimple 1.1.1 e SentiStrength 2. Ogni query e stata eseguita
due volte: nel primo caso la lista restituita e ordinata usando l'approccio
proposto, nell'altra invece viene utilizzato l'ordinamento basato sul vector space
model fornito da Lucene. Sono state de nite sette query nelle categorie "hotel
ristoranti" e "salute, cura della persona"; si e proceduto quindi ad una
valutazione manuale delle precedenti categorie contenute nello Yelp Academic
Dataset per costruire un piccolo benchmark. Gli utenti hanno valutato le attivita,
contenute nelle due categorie prescelte, classi candole in modo binario in
interessanti/non interessanti rispetto alle query espresse in linguaggio naturale. In
Tabella 1 sono mostrati i valori di precisione e di Normalized Discounted
Cumulative Gain [
In questo lavoro abbiamo presentato una funzione per il calcolo del ranking di una lista di risultati per siti di attivita commerciali con recensioni che tiene conto sia della stima di rilevanza basata sul concetto di topicalita che di fattori che esprimono la popolarita dell'attivita stessa in una comunita di utenti.
Come caso di studio abbiamo usato la collezione Yelp Academic Dataset ed il prototipo sviluppato ha ottenuto risultati incoraggianti. Pertanto si procedera ad una fase di valutazione completa con un benchmark adatto. Una possibile scelta da valutare e il benchmark o erto dalla TREC Contextual Suggestion Track, che pero e orientato al problema delle personalizzazione.
Riferimenti bibliogra ci