DeepSentRec: un sistema di raccomandazione di prodotti sensibile al sentimento basato sul deep learning

Perché suggerimenti più intelligenti contano

Ogni volta che fai acquisti online, guardi una serie in binge-watching o scorri le recensioni di un ristorante, algoritmi invisibili decidono cosa ti viene mostrato dopo. Eppure questi sistemi spesso trascurano qualcosa di cruciale: come ti senti realmente rispetto a ciò che compri o guardi. Questo articolo presenta DeepSentRec, un nuovo framework di raccomandazione che cerca di leggere non solo ciò su cui hai cliccato, ma il tono delle tue recensioni scritte — il tuo entusiasmo, la delusione o l’indifferenza — e usa questo segnale emotivo per adattare i suggerimenti futuri in modo più umano.

Dalle valutazioni a stelle alle sensazioni reali

La maggior parte dei motori di raccomandazione esistenti si basa pesantemente sui numeri: valutazioni a stelle, clic passati e cronologia degli acquisti. Considerano le recensioni degli utenti principalmente come testo lungo e disordinato, difficile da sfruttare su larga scala. Di conseguenza, trascurano indizi ricchi come il fatto che una valutazione di tre stelle possa essere stata assegnata con rassegnazione o con un moderato apprezzamento. Ricerche precedenti hanno dimostrato che incorporare il sentimento — la sensazione positiva, neutra o negativa espressa nel testo — può migliorare la personalizzazione, ma molti sistemi lo aggiungono ancora come una caratteristica superficiale piuttosto che renderlo centrale nel modo in cui le raccomandazioni vengono formate e classificate.

Tre menti che lavorano insieme

DeepSentRec è progettato come una pipeline in tre parti che intreccia emozioni, comportamento e apprendimento dal feedback in un unico ciclo. Primo, un modulo di sentiment chiamato SentimentBERT legge il testo delle recensioni e produce un’impronta emotiva fine per ogni recensione, non solo un semplice pollice in su o in giù. Secondo, un modulo di raccomandazione ibrido fonde due visioni del mondo: persone che si sono comportate come te (collaborative filtering) e prodotti le cui recensioni portano significati e sensazioni simili (similarità semantica). Terzo, un modulo learning-to-rank basato sul reinforcement learning rimescola continuamente l’ordine dei prodotti suggeriti in base a come gli utenti rispondono — se cliccano, comprano o ignorano gli elementi.

Apprendere da molte voci

Per verificare se questa architettura aiuta davvero le persone a trovare elementi più rilevanti, gli autori hanno addestrato e valutato DeepSentRec su quattro grandi dataset reali: recensioni di prodotti Amazon, recensioni aziendali Yelp, recensioni di film IMDB e una collezione di feedback e-commerce da Kaggle. Prima di qualsiasi apprendimento, il testo viene accuratamente pulito e suddiviso in porzioni adatte ai moderni modelli linguistici. SentimentBERT viene prima addestrato su recensioni di film ben etichettate e poi fine-tuned su Amazon e Yelp, così da adattarsi a diversi stili di scrittura e domini. Il sistema costruisce anche rappresentazioni compatte di come ogni utente interagisce con ogni prodotto, poi le combina con embeddings testuali sensibili al sentimento per creare un quadro più ricco dei gusti.

Trasformare il feedback in classifiche migliori

La parte più distintiva di DeepSentRec è il modo in cui tratta la classifica come una conversazione continua piuttosto che come un calcolo statico. Usando una tecnica di reinforcement learning chiamata Proximal Policy Optimization, il sistema considera ogni lista classificata come una decisione e ogni reazione dell’utente come una ricompensa o una penalità. Clic, acquisti e salti vengono tutti incorporati in un punteggio che incoraggia il modello a mettere in evidenza elementi che portano a un impegno a lungo termine, non solo a clic rapidi. Col tempo, la policy di ranking migliora provando differenti ordinamenti e mantenendo quelli che portano a interazioni più significative, come acquisti o uso ripetuto.

Cosa mostrano i risultati per gli utenti reali

Nei dataset e-commerce di Amazon e Kaggle, DeepSentRec supera costantemente i metodi tradizionali basati solo sul comportamento passato o su semplici confronti testuali. Offre una precisione più alta (una fetta maggiore dei suggerimenti in cima è effettivamente rilevante), un recall migliore (trova più elementi a cui gli utenti tengono) e misure di qualità del ranking più forti. Soprattutto per le piattaforme reali, aumenta i tassi di click-through e un punteggio complessivo di engagement che combina più modalità di reazione degli utenti. Studi di ablation — rimuovendo sistematicamente componenti — mostrano che ogni parte conta: la modellazione del sentimento migliora l’accuratezza, il modello ibrido testo+interazione migliora la copertura e il learner per reinforcement aumenta ulteriormente la frequenza con cui gli utenti agiscono sulle raccomandazioni.

Cosa significa questo per le raccomandazioni di tutti i giorni

In termini semplici, lo studio suggerisce che i motori di raccomandazione migliorano in modo evidente quando ascoltano ciò che dici nelle recensioni con la stessa attenzione con cui osservano ciò su cui clicchi, e quando continuano ad apprendere dal tuo comportamento più recente invece di affidarsi solo a vecchi schemi. DeepSentRec dimostra che combinare tono emotivo, contesto testuale e feedback continuo può produrre raccomandazioni che sembrano più tempestive, rilevanti e personali. Mentre il lavoro attuale si concentra su recensioni in lingua inglese e su esperimenti offline, indica una nuova generazione di sistemi che si adattano in quasi tempo reale e possono essere estesi a più lingue e domini, rendendo potenzialmente le esperienze digitali — dallo shopping all’apprendimento — più allineate con come le persone effettivamente sentono e si comportano.

Citazione: Kollu, S.R.P., Garapati, Y. DeepSentRec: a deep learning-based sentiment-aware product recommendation system. Sci Rep 16, 10580 (2026). https://doi.org/10.1038/s41598-026-45953-9

Parole chiave: sistemi di raccomandazione, analisi del sentimento, personalizzazione e-commerce, deep learning, reinforcement learning