Un modello spaziotemporale per la raccomandazione del prossimo POI basato sull’inerzia del comportamento dell’utente

Perché i tuoi posti preferiti continuano a riapparire

Chi usa app di mappe o recensioni ha visto gli stessi caffè, palestre o parchi salire in cima ai suggerimenti. Questo articolo esplora perché le nostre abitudini quotidiane rendono quelle raccomandazioni sorprendentemente prevedibili e come una matematica più accurata possa trasformare dati di check-in sparsi in suggerimenti sul prossimo luogo più utili e meno casuali.

Le abitudini dietro i nostri spostamenti

Gli autori partono da un’osservazione semplice: le persone raramente scelgono la loro prossima destinazione a caso. La vita quotidiana è guidata da scopi come mangiare, spostarsi, rilassarsi o uscire. Nel tempo, andare ripetutamente in luoghi simili per lo stesso scopo crea quella che gli autori chiamano inerzia del comportamento, una sorta di attrazione predefinita verso luoghi familiari. Allo stesso tempo, la vita reale è disordinata. L’orario, la distanza e la voglia di provare qualcosa di nuovo possono allontanare dalle scelte abituali, agendo come resistenza a questa inerzia. La sfida è catturare entrambe le tendenze in modo che un sistema di raccomandazione possa indovinare con maggiore affidabilità la prossima fermata di un utente.

Ordinare i luoghi per scopo quotidiano

Un ostacolo è che anche le app basate sulla posizione più popolari hanno dati molto scarsi per una singola persona; ogni utente visita solo una piccola frazione di tutti i luoghi disponibili. Per attenuare questo problema, i ricercatori raggruppano i punti di interesse in quattro ampie e intuitive categorie di scopo: mangiare e bere, trasporti e alloggi, intrattenimento e uscire, e attività all’aperto. Un singolo locale può appartenere a più gruppi se svolge ruoli diversi, come un bar che è anche un ristorante. Dalla storia di ogni utente costruiscono quindi una timeline di scopi anziché di coordinate grezze. Tecniche semplici di serie temporali stimano quando è più probabile che un utente persegua ciascuno scopo, riducendo nettamente l’insieme dei luoghi candidati prima di qualsiasi valutazione più dettagliata.

Combinare distanza e forza dell’abitudine

Dopo aver ipotizzato lo scopo probabile dell’utente, il modello si concentra su geografia e abitudine. Le persone tendono a muoversi all’interno di poche zone familiari dove luoghi chiave, come casa o ufficio, fungono da centri. Usando i check-in passati, il sistema apprende dove sono questi centri e quanto spesso ogni luogo vicino è stato visitato. I posti più vicini alle fermate frequenti di un utente ricevono un aumento naturale, riflettendo lo sforzo aggiuntivo richiesto per spostarsi più lontano. Contemporaneamente, il modello misura l’inerzia del comportamento osservando quanto regolarmente qualcuno ritorna nello stesso locale e quanto sono lunghi gli intervalli tra le visite. Considera anche quante diverse strutture una persona prova per lo stesso scopo: un individuo abitudinario che cena sempre nello stesso ristorante si comporta diversamente da qualcuno che sperimenta costantemente, anche se entrambi mangiano fuori spesso.

Bilanciare zone di confort e curiosità

Il fulcro dell’approccio è trattare inerzia e resistenza come forze in competizione. Se un utente torna spesso in un luogo con intervalli temporali coerenti, il modello assume una forte attrazione a ritornarci, specialmente quando si avvicina la finestra temporale della prossima visita prevista. Per i luoghi visitati raramente, il sistema verifica se sono vicini alla posizione attuale dell’utente e se rientrano in una categoria più ampia che l’utente ama esplorare. Questo rende possibile raccomandare non solo i luoghi abituali ma anche nuove scelte plausibili nei quartieri familiari. Il punteggio finale per ogni luogo candidato fonde tre ingredienti: lo scopo predetto, la vicinanza geografica e la forza appresa dell’inerzia comportamentale rispetto alla resistenza.

Queste ipotesi più intelligenti funzionano davvero?

Per testare il metodo, gli autori lo hanno applicato a quasi un anno di check-in reali a New York City e Tokyo. Hanno confrontato il loro modello con una lunga lista di approcci esistenti, incluse tecniche basate su reti sociali, deep learning e modellazione di sequenze dettagliata. In entrambe le città, il modello basato sull’inerzia del comportamento ha migliorato le misure di accuratezza chiave fino a circa il 15% per il recall e il 20% per una misura di ranking chiamata MAP. In termini semplici, il sistema non solo individua più spesso il luogo corretto successivo, ma tende anche a posizionarlo più in alto nella lista suggerita, dove l’utente è più propenso a notarlo.

Cosa significa per le raccomandazioni future

Per gli utenti quotidiani, la lezione è che raccomandazioni migliori nascono dal capire perché andiamo nei posti, non solo dove e quando. Riconoscendo che le persone seguono routine morbide plasmate da scopo, abitudine e piccoli stimoli a esplorare, questo modello offre un modo per suggerire tappe successive che risultano intuitive e tempestive. Gli autori suggeriscono che lavori futuri potrebbero adattare il bilancio tra inerzia e resistenza man mano che arrivano più dati, e abbinare questo approccio a moderne tecniche di deep learning, dando ai servizi basati sulla posizione un senso più umano sia delle zone di comfort sia della curiosità.

Citazione: Zhang, K., Chu, D., Tu, Z. et al. A user behavior inertia based spatio temporal next POI recommendation model. Sci Rep 16, 15784 (2026). https://doi.org/10.1038/s41598-026-42191-x

Parole chiave: raccomandazione prossimo POI, inerzia del comportamento dell'utente, servizi basati sulla posizione, modellazione spaziotemporale, modelli di mobilità