Recommendation and Discovery
for Personal Video Recording
Progetto di ricerca sulla raccomandazione
di contenuti multimediali nella fruizione
attraverso Internet

PVR sul web
 http://www.vcast.it
 Faucet PVR consente la registrazione di programmi
televisivi e radiofonici, che diventano fruibili anche
offline tramite download nel formato preferito
 Registrazione dell’attività degli utenti

Criteri di registrazione
 Caratteristiche
 EPG non affidabili: si opera in assenza di questi
 Utente può scegliere
 Data/ora di inizio registrazione
 Data/ora di fine registrazione
 Titolo (user-defined)
 Canale
 Logging centralizzato

Obiettivi raggiunti
 Studio della comunità di Vcast tramite
tecniche di network analysis
 Sviluppo di metodologia di search&discovery
di eventi
 Sviluppo di algoritmi (prototipali) di
recommendation di eventi su base oggettiva
e soggettiva
 Interoperabilità tra Vcast e SetTopBox

Obiettivi raggiunti
 Sviluppo applicazione Facebook
 Search, discovery e recommendation su
base oggettiva e/o soggettiva attraverso
applicazione Facebook
 Introduzione di meccanismi di Social
Recommendation

Impatto sui servizi
 Discretizzazione del continuo
 Most Popular
 Wisdom of crowds (user built EPG)
 Facebook & social networks
 Computer recommendation vs. Social
recommendation

Integrazione in nuovi servizi

Trasferimento Tecnologico
 Dal punto di vista scientifico, il progetto ha
consentito di sviluppare conoscenze
scientifiche allo stato dell’arte nel settore per:
 Lo sviluppo di nuovi algoritmi;
 Lo studio di un contesto ancora poco studiato
(Non VoD, ma PVR per Live TV e Radio senza
EPG);
 L’analisi di una comunità “vera” ed estesa
 Rete di affinità – usata nell’algoritmo di recommendation
 Rete sociale (e.g., Facebook) – usata per viral
marketing

Dissemination Scientifica
 R. Schifanella, A. Panisson, C. Gena and G. Ruffo. MobHinter: Epidemic
Collaborative Filtering and Self-Organization in Mobile Ad-HocNetworks, in the 2nd
ACM Intern. Conf. on RecommenderSystems 2008 (RecSys 2008), October 23-25,
2008, Lausanne, Switzerland. ACM Press.
 A. Panisson, G. Ruffo and R. SchifanellaX-Hinter: a FrameworkforImplementing
Social OrientedRecommenderSystems, in Proc. of the 19th ACM Conference on
Hypertext and Hypermedia (Hypertext 2008), June 19-21, 2008, Pittsburgh,
Pennsylvania, USA. ACM Press
 Alessandro Basso, Marco Milanesio and Giancarlo Ruffo: EventsDiscoveryfor
Personal Video Recorders, in Proc. ofEuroITV 2009, June 1-3, 2009, Leuven,
Belgium. ACM Press
 Francesca Carmagnola, Andrea Loffredo and Giorgio Bernardi: VCast on Facebook:
Bridging Social and SimilarityNetworks, in Proc. of the 20th ACM Conference on
Hypertext and Hypermedia (Hypertext 2009), June 29-July 1, 2009, Torino, Italy.
ACM Press

Collaborative filtering e reti di affinità
 Contestoimplica la sceltadellastrategia:
 No Content-based
 Collaborative filtering:
 Utente X associato aelementi discreti (ax, bx, etc.)
 Vengono cercati i vicini di X(utenti associati agli stessi
elementi discreti)
 Vengono individuati elementi discreti associati ai vicinidi X
non ancoraassociati a X
 Filtro su soglia numero registrazioni per determinare
elementi da consigliare
 Valutazione sulla capacità predittiva dell’ algoritmo usato
(recall eprecision)

Algoritmi di recommendation
 Vcast’sMost-Popular: ogni giorno, viene
creata una lista dei 150 eventi più registrati.
Si tratta di un consiglio su base oggettiva.
Servizio annunciato su Twitter il 2 Gennaio
2009
 Rec2: per ogni utente viene creata una lista
eventi consigliati su base soggettiva.
L’algoritmo è pronto per essere messo in
produzione (test preliminari effettuati)

Search&Discovery degli eventi
 Goal: individuare gli “eventi discreti” che
aggregano le registrazioni
 In altri termini: un approccio bottom-up alla
creazione di un EPG
 Qual è il rapporto registrazioni/eventi?

La recommendation aumenta l’ uso
da parte di ogni singolo utente

Due metriche di accuratezza:
Recall e Precision
 R(u,t) : Registrazioni dell’utente u al
momento t
 Rec(u,t) : Eventi raccomandati ad u al
momento t
 Recall = | R(u,t+Δt) ∩ Rec(u,t) | / | R(u,t+Δt) |
 Precision = | R(u,t+Δt) ∩ Rec(u,t) | / | Rec(u,t) |

Credits
UniTo Inrete
 Alessandro Basso  Claudio Benech
 Francesca Carmagnola  Giorgio Bernardi
 Cristina Gena  Alessandro Bertone
 Marco Milanesio  Eugenio Di Luccia
 André Panisson  Andrea Loffredo
 Giancarlo Ruffo  Marco Siviero
 Rossano Schifanella  Bela Szasz