La dimensione affettiva nella raccomandazione musicale
Applicato alla musica e confrontato con altri metodi, il modello permette di verificare se le emozioni migliorino davvero i suggerimenti
La ricerca propone un sistema di raccomandazione musicale che prova a tenere conto della dimensione affettiva nella scelta dei brani da raccomandare. L’idea di fondo è che suggerire un brano non significhi soltanto individuare qualcosa di simile a ciò che l’utente ha già apprezzato, ma anche verificare se quel contenuto sia coerente con il suo stato emotivo. Per questo il modello mette in relazione preferenze passate, caratteristiche dei brani e condizioni affettive dell’utente nel momento in cui la raccomandazione viene prodotta. L’obiettivo non è solo costruire un sistema più sofisticato, ma capire se l’inclusione delle emozioni renda davvero i suggerimenti più efficaci.
Per costruire questo sistema, la ricerca parte dalla raccolta delle informazioni sull’utente. Le preferenze musicali non vengono richieste attraverso valutazioni esplicite, ma ricavate dai link a brani musicali condivisi sui social. In particolare, la pubblicazione di un link musicale viene interpretata come un segnale positivo di apprezzamento. Accanto a questo, si cerca di stimare anche lo stato affettivo dell’utente nel momento in cui quella preferenza emerge, analizzando i messaggi testuali pubblicati in una finestra temporale vicina alla condivisione del brano. In questo modo, ogni preferenza musicale può essere collegata, quando i dati lo consentono, a una descrizione dello stato emotivo vissuto in quel momento. È così che prende forma il profilo affettivo dell’utente, costruito come intreccio tra comportamenti osservati e tracce emotive.
Anche i brani vengono descritti attraverso più livelli di informazione. La ricerca adotta una rappresentazione che combina caratteristiche audio, generi musicali e testi delle canzoni. Da un lato vengono considerate proprietà del suono; dall’altro i brani vengono descritti anche attraverso i generi e attraverso i testi, trattati come materiale linguistico da analizzare. Questa scelta è importante perché consente al sistema di confrontare i contenuti sotto prospettive diverse, senza ridurli a un solo tipo di dato. Inoltre, ai brani viene associata anche una descrizione affettiva ricavata dai loro testi. Il risultato è una base informativa più ricca, nella quale ogni brano non è soltanto un oggetto musicale con certe caratteristiche formali, ma anche un contenuto che può essere messo in relazione con la dimensione emotiva del profilo utente.
Il funzionamento generale del sistema nasce dall’incontro tra questi diversi livelli di descrizione. Da una parte, i brani vengono messi in relazione tra loro sulla base delle loro caratteristiche, come avviene nei tradizionali approcci fondati sulla somiglianza tra contenuti. Dall’altra, entra in gioco la coerenza affettiva, cioè la compatibilità tra lo stato emotivo attuale dell’utente, gli stati affettivi associati alle preferenze espresse in passato e la descrizione emotiva del brano candidato. Il suggerimento finale non dipende quindi da un solo fattore, ma dalla combinazione tra somiglianza tra brani e adeguatezza affettiva. Il sistema cerca contenuti che siano vicini a ciò che l’utente ha già apprezzato, ma anche coerenti con il modo in cui l’utente si sente nel presente.
Per verificare se questo impianto funzioni davvero, la ricerca confronta il sistema proposto con diversi metodi di riferimento su due raccolte di dati ricavate dai social media. Il confronto non serve soltanto a misurare se il modello produca risultati migliori in generale, ma anche a capire in che modo la componente affettiva incida sulla qualità dei suggerimenti. Per questo il sistema viene messo alla prova accanto a un approccio basato solo sulla somiglianza tra contenuti, a una variante che usa l’emozione come semplice filtro preliminare e ad altri metodi di confronto. Il punto è osservare se integrare la dimensione emotiva nel cuore del modello consenta davvero di individuare con maggiore precisione i brani più adatti all’utente.
I risultati mostrano una tendenza chiara. Il sistema proposto ottiene in generale prestazioni migliori rispetto ai metodi con cui viene confrontato, sia quando i brani sono descritti attraverso tutte le caratteristiche disponibili, sia quando si considerano separatamente alcuni gruppi di informazioni. Ma il dato forse più interessante è un altro: quando l’emozione viene usata come semplice filtro preliminare, i risultati peggiorano rispetto all’approccio di base. È un esito importante, perché suggerisce che la dimensione affettiva non funzioni bene se trattata come un vincolo rigido imposto dall’esterno. Gli autori osservano infatti che non tutti gli utenti, quando si trovano in un certo stato emotivo, cercano contenuti che lo rispecchino in modo diretto. Una persona triste, per esempio, può desiderare musica che confermi quel sentimento, secondo una logica di consonanza emotiva, ma può anche cercare qualcosa che la aiuti a stare meglio, secondo una logica di riparazione dell’umore.
La ricerca, comunque, non presenta questi risultati come definitivi. Gli autori riconoscono alcuni limiti importanti: il sistema dipende dalla disponibilità di messaggi testuali dell’utente e di testi associati ai brani, e richiede che l’utente abbia una presenza sociale sufficientemente attiva da permettere l’estrazione di segnali emotivi attendibili. Questo significa che resta aperta anche la difficoltà di formulare suggerimenti affidabili quando si hanno ancora pochi dati sull’utente. Inoltre, la valutazione non consente di individuare una configurazione dei parametri che risulti sempre la migliore, per cui il modello richiede una fase preliminare di taratura. Il punto che emerge con chiarezza, però, è che le emozioni migliorano i risultati quando vengono considerate direttamente nel modo in cui il sistema sceglie che cosa suggerire. La ricerca lascia inoltre aperta una direzione ulteriore: capire se anche il grado di empatia dell’utente possa aiutare a spiegare meglio il rapporto tra emozioni, preferenze e decisioni.
Questo articolo nasce nell’ambito delle attività di Terza Missione promosse da Stroncature in collaborazione con l’Università degli Studi di Bari Aldo Moro, nel quadro delle iniziative di Public Engagement finanziate dal “Bando per Finanziamento di Iniziative di Public Engagement” a valere sul Progetto “Sistema Universitario Pugliese”, finanziato nell’ambito della misura “Patti Territoriali dell’Alta Formazione per le Imprese” (CUP F61B23000370006). Il testo rielabora in forma divulgativa il contributo scientifico “Towards Emotion-aware Recommender Systems: an Affective Coherence Model based on Emotion-driven Behaviors” di Marco Polignano, Fedelucio Narducci, Marco de Gemmis e Giovanni Semeraro, pubblicato in Expert Systems With Applications, vol. 170, 2021, art. 114382, DOI 10.1016/j.eswa.2020.114382, per renderne i contenuti più fruibili a un pubblico non specialista.
