PARTIZIONAMENTO DEL GRAFO PER LA RACCOMANDAZIONE PERSONALIZZATA: MIGLIORARE L'ESPERIENZA DELL'UTENTE ATTRAVERSO UN'ELABORAZIONE EFFICIENTE DELLE INFORMAZIONI

The exponential growth of online data has necessitated the implementation of advanced tools for filtering and personalizing content. Recommendation systems play a pivotal role in delivering tailored experiences, facilitating the discovery of relevant items for users. However, managing large volumes of data presents significant computational challenges, including scalability and efficiency in processing recommendations. This thesis proposes the use of graph partitioning as an optimization strategy for personalized recommendation systems based on collaborative filtering. The approach leverages the graphical structure of interactions between users and items, employing partitioning techniques to reduce computational complexity and enhance performance. Specifically, advanced models such as FPSR (Fine-tuning Partition-aware Item Similarities for Recommendation) and SVD-GCN (Simplified Graph Convolutional Networks for Recommendation) are examined, which allow for a reduction in the number of parameters to be learned and optimize inference times while maintaining high predictive accuracy. The findings of this research contribute to the development of scalable and efficient solutions for recommendation systems, with potential applications in areas such as e-commerce, content streaming, and social platforms.

La crescita esponenziale dei dati online ha reso necessaria l'implementazione di strumenti avanzati per filtrare e personalizzare i contenuti. I sistemi di raccomandazione svolgono un ruolo fondamentale nell'offrire esperienze personalizzate, facilitando la scoperta di elementi rilevanti per gli utenti. Tuttavia, la gestione di grandi volumi di dati presenta sfide computazionali significative, tra cui la scalabilità e l'efficienza nell'elaborazione delle raccomandazioni. Questa tesi propone l'uso del partizionamento dei grafi come strategia di ottimizzazione per i sistemi di raccomandazione personalizzati basati sul filtraggio collaborativo. L'approccio sfrutta la struttura grafica delle interazioni tra utenti e articoli, impiegando tecniche di partizione per ridurre la complessità computazionale e migliorare le prestazioni. In particolare, vengono esaminati modelli avanzati come FPSR (Fine-tuning Partition-aware Item Similarities for Recommendation) e SVD-GCN (Simplified Graph Convolutional Networks for Recommendation), che consentono di ridurre il numero di parametri da apprendere e di ottimizzare i tempi di inferenza, mantenendo un'elevata accuratezza predittiva. I risultati di questa ricerca contribuiscono allo sviluppo di soluzioni scalabili ed efficienti per i sistemi di raccomandazione, con potenziali applicazioni in settori quali l'e-commerce, lo streaming di contenuti e le piattaforme sociali.