Un approccio di clustering neutrosofico per gestire l’incertezza nelle raccomandazioni per utenti "pecora grigia"

Perché alcune persone ricevono raccomandazioni strane

I siti di streaming e le piattaforme di shopping spesso sembrano "conoscerci", ma per molte persone i suggerimenti continuano a non centrare il bersaglio. Questo articolo esamina un gruppo difficile di utenti i cui gusti non si adattano alla folla e mostra come abbracciare l’incertezza — invece di ignorarla — possa migliorare in modo significativo ciò che viene raccomandato a queste persone.

Gli utenti che confondono i motori di raccomandazione

La maggior parte dei sistemi di raccomandazione apprende dai modelli presenti nella folla: "persone come te hanno apprezzato anche questi film, libri o canzoni". Questo funziona bene quando i tuoi gusti sono simili a quelli di un grande gruppo di altri utenti. Ma alcuni individui, chiamati utenti "pecora grigia", apprezzano una miscela di elementi mainstream e insoliti che non corrisponde chiaramente a nessun gruppo unico. Le loro valutazioni sono disperse, il sistema non riesce a trovare vicini affidabili e le suggerimenti risultanti sono spesso imprecisi o incoerenti. Il problema peggiora con dati scarsi: in un tipico dataset cinematografico, oltre il 90% delle possibili coppie utente–film non ha alcuna valutazione, quindi gli utenti pecora grigia si perdono effettivamente nel rumore.

Trasformare l’incertezza in un segnale utile

Gli autori propongono di affrontare questa confusione direttamente modellando esplicitamente l’incertezza nel comportamento degli utenti. Utilizzano un quadro logico chiamato ragionamento "neutrosofico", che rappresenta l’appartenenza di ciascun utente a un cluster in tre parti: quanto bene corrisponde (verità), quanto è poco chiara la corrispondenza (indeterminatezza) e quanto chiaramente non appartiene (falsità). Invece di forzare ogni persona in un unico gruppo netto, il loro clustering k‑means neutrosofico permette agli utenti di avere appartenenze parziali e anche ambigue. Il cluster con la massima ambiguità complessiva diventa il gruppo delle "pecore grigie": persone i cui gusti sono difficili da definire ma che è importante non ignorare.

Un percorso a doppia corsia per le raccomandazioni

Una volta che gli utenti sono divisi in cluster mainstream e pecora grigia, il sistema li tratta in modo diverso. Per gli utenti tipici si usa un metodo standard di filtraggio collaborativo basato sugli elementi: gli elementi vengono confrontati tra loro in base a come le persone li hanno valutati, e un utente riceve raccomandazioni che somigliano a ciò che già apprezza. Per gli utenti pecora grigia, lo stesso metodo item‑based viene applicato, ma solo dopo che sono stati isolati con cura dal passaggio di clustering consapevole dell’incertezza. Questo livello aggiuntivo assicura che, quando il sistema cerca schemi, confronti ogni utente pecora grigia con elementi e modelli di valutazione che riflettono le loro preferenze uniche e disperse, invece di annullarli nella media della maggioranza. Gli esperimenti mantengono costanti le impostazioni di raccomandazione, così eventuali miglioramenti possono essere ricondotti a una migliore identificazione degli utenti pecora grigia, non a trucchi di ottimizzazione.

Quanto migliora davvero?

Gli autori testano il loro framework su dataset noti per i film (MovieLens 100K e 1M), estendendolo poi a libri (Book‑Crossing) e musica (Last.fm). Rispetto a un popolare metodo di soft‑clustering (fuzzy c‑means) e a diversi ibridi di clustering avanzati, il loro approccio neutrosofico ottiene costantemente errori di previsione più bassi e maggiore successo nel selezionare elementi che gli utenti pecora grigia effettivamente apprezzano. Per esempio, sul dataset MovieLens 100K, precision e recall per il cluster pecora grigia raggiungono circa il 89% e il 91%, con errori di valutazione sensibilmente più piccoli. Il metodo supera anche diversi raccomandatori basati su deep learning quando valutato specificamente sugli utenti pecora grigia, pur usando un’architettura più semplice e trasparente. Il vantaggio chiave non è la potenza computazionale bruta, ma il trattamento esplicito dell’incertezza come segnale di prima classe.

Cosa significa per gli utenti quotidiani

In termini semplici, questo lavoro dimostra che riconoscere "non sono sicuro su questo utente" può essere più potente che fingere che l’incertezza non esista. Ritagliando un percorso dedicato per le persone i cui gusti non rientrano negli schemi standard, il sistema proposto recupera un pubblico trascurato e lo serve con raccomandazioni più accurate, varie e soddisfacenti. Sebbene lo studio attuale si concentri sulle valutazioni piuttosto che su contenuti ricchi come testo o immagini, e principalmente sulle pecore grigie piuttosto che su tutti gli utenti, offre una ricetta pratica: costruire pipeline di raccomandazione che rilevino l’ambiguità, la trattino esplicitamente e la usino per guidare come vengono fatte le suggerimenti. Per chiunque abbia pensato "queste raccomandazioni non sono veramente io", questo cambiamento potrebbe rendere i sistemi futuri molto più personali e giusti.

Citazione: Samir, D., El Reheem, E.A., Darwish, S.M. et al. A neutrosophic clustering approach to handle recommendation uncertainty for gray sheep users. Sci Rep 16, 9663 (2026). https://doi.org/10.1038/s41598-026-41651-8

Parole chiave: sistemi di raccomandazione, utenti pecora grigia, modellazione dell’incertezza, clustering neutrosofico, filtraggio collaborativo