Knowledge-Enabled Recommender Systems in the Linked Data Era

Recommender Systems are unfamiliar to ordinary people. However, they are almost everywhere. In a world that overwhelms us with relevant and irrelevant information, they make the difference. They process catalogs from thousands to millions of items to return us only the relevant and personalized information. Otherwise, we would be as castaways in the ocean of information that try to drink it all. On the other side, they are constantly whispering in our ear, suggesting to enjoy news, movies, songs. If they are Jiminy or Lamp-Wick, it is our responsibility. At the same time, the Web is evolving, providing us rich and semantic information. The so-called Semantic Web lets us feed Recommender Systems with high-quality knowledge. This knowledge lets Recommender Systems understand the domain, provide explanations, improve the quality of recommendations. In this research journey, we have faced different aspects of the recommendation and the multiple ways semantic knowledge can be beneficial. We have first focused on Matrix Factorization, a recommendation technique, and we have proposed several ways to exploit knowledge. Feature Factorization, Graph Spreading Relevance, and interpretable Factorization Machines are a few examples. We have developed a recommender that takes into account conditional pair-wise preferences to lower the human-machine barrier. We have also faced the semi-structured knowledge, proposing models that consider temporal diversification, personalized popularity, and dissimilarity. Finally, we have focused on Recommender Systems evaluation, proposing new techniques for tuning hyperparameters, and a new notion of fairness. We hope you will enjoy the journey.

I sistemi di raccomandazione sono in generale scarsamente conosciuti. Tuttavia, sono praticamente onnipresenti. Sono loro che, in un mondo che ci sommerge di informazione rilevante ed irrilevante, fanno la differenza. Processano cataloghi di migliaia, o milioni, di elementi per restituirci l'informazione personalizzata e rilevante che cerchiamo. Senza di loro, saremmo come naufraghi in un oceano di informazioni che tentano di berlo tutto, sorso dopo sorso. D'altro canto, sussurrano continuamente all'orecchio di leggere notizie, guardare film, ascoltare canzoni. Che siano dei grilli parlanti o dei lucignolo, alla fine è nostra responsabilità definirlo. Allo stesso tempo, il web si sta evolvendo, fornendoci una informazione ricca e semantica. Il cosiddetto Semantic Web, infatti, ci consente di alimentare i sistemi di raccomandazione con conoscenza di elevata qualità. Questa conoscenza consente ai sistemi di raccomandazione di comprendere il dominio, fornire spiegazioni, migliorare la qualità delle raccomandazioni. In questo percorso di ricerca, abbiamo affrontato i diversi aspetti della raccomandazione ed i diversi modi in cui la conoscenza semantica può risultare utile. Ci siamo inizialmente focalizzati sulla fattorizzazione di matrici, una tecnica di raccomandazione, ed abbiamo proposto diversi metodi per inglobare conoscenza in essa. Fattorizzazione di feature, diffusione della rilevanza su grafo e Factorization Machine interpretabili sono solo alcuni esempi in tal senso. Abbiamo sviluppato un sistema di raccomandazione che sfrutta le prefenze condizionali pair-wise per abbassare la barriera tra l'umano e la macchina. Abbiamo affrontato il problema della conoscenza semi-strutturata, proponendo modelli che considerano la diversificazione delle raccomandazioni nel tempo, la popolarità personalizzata e la dissimilarità. Infine, ci siamo concentrati sulla valutazione dei sistemi di raccomandazione, proponendo nuove tecniche per impostare gli iperparametri di un modello ed abbiamo definito una nuova nozione di fairness. Ci auguriamo che vi godiate il viaggio.