IL RUOLO DEL MACHINE LEARNING NEI SOCIAL MEDIA

È innegabile, non riusciamo più a vivere senza social network. Facebook e Instagram, oltre ad altri social, dispongono di strumenti per ottenere maggior engagement e di parametri utili per l’analisi della propria audience. Ma come fanno? Come riesce Facebook a proporre un determinato prodotto a una potenziale clientela ben definita? Vi è mai capitato di pensare al perché escono post promossi o story pubblicizzate su Instagram molto vicine ai vostri interessi? La risposta a tutte queste domande è il machine learning.

image2

Vediamo nel dettaglio come si procede nell’analisi di questi dati. Prima di tutto è utile ricorrere alla sentiment analysis, con la quale è possibile rintracciare l’oggetto di discussione, gli aspetti, l’opinione degli utenti. Questo strumento permette di analizzare i dati non strutturati, ossia il linguaggio naturale – si intende non in forma di dati –  distinguendo le informazioni oggettive da quelle soggettive, ovvero i fatti dalle emozioni.

Una volta raccolto il testo da analizzare, viene convertito. Innanzitutto è utile rimuovere parole non necessarie, ovvero le stopwords, come articoli, congiunzioni, e punteggiatura, così da semplificare il processo di conversione: il linguaggio dei social network, infatti, è spesso caratterizzato da slang ed emoji, più vicino al linguaggio parlato rispetto a quello scritto, quindi ricco di parole non necessarie all’analisi dell’algoritmo. Dopo questa procedura, è necessario trasformare i dati qualitativi in dati quantitativi, cioè in numeri: in base alla presenza o meno di determinate parole, si inserisce un 1 se tale caratteristica è presente e 0 se non lo è, creando così un codice binario.

image1

Esistono due approcci legati all’analisi, uno basato sul lessico, che però comporta delle falle, come le negazioni (es. la frase “Questa serie non è così bella” sarebbe classificata come neutra), l’ambiguità (es. se si parla della serie Tredici il computer potrebbe classificarla come un numero), l’ironia (in questo caso il computer classificherebbe cosa testualmente c’è scritto, senza interpretazione); un altro approccio è proprio quello del machine learning, il quale trova caratteristiche che, come abbiamo visto, discriminano il testo in positivo, negativo o neutro.

L’ultimo passaggio è l’analisi dei dati classificati. Un esempio molto pratico di questo procedimento è quello del suggerimento delle amicizie: un social dispone di diverse informazioni, come le interazioni e i dati personali; l’algoritmo si basa su due declinazioni diverse: la rete di amici comuni o di interessi comuni.

Non solo i social network utilizzano il machine learning, ma anche servizi come Paypal, Uber e Netflix, e viene sempre più utilizzato per capire l’opinione delle persone, ma anche dalle aziende per essere più competitive e soddisfare meglio i propri clienti, migliorando la loro customer-experience.

Morgana Lupica

Annunci