VTT kehittää verkkolehden lukusuosituksia norjalaisten kanssa

VTT kehittää norjalaisen Adressavisenin vetämässä projektissa menetelmiä, joilla verkkolehden lukijoille suositellaan automaattisesti artikkeleita ja mainoksia. Suositusten avulla lisätään verkkolehden sivustolla vietettyä aikaa sekä parannetaan lukukokemusta. VTT:n yhtenä tehtävänä projektissa on tarkastella tietojen luottamuksellisuutta, jota takaamaan se on kehittänyt omaa UPCV-suosittelumenetelmää.

Teknologian tutkimuskeskus VTT Oy:n suosittelutekniikoiden osaaminen on kansainvälisesti tunnustettua niin sisältöpohjaisiin kuin käyttäytymiseen perustuviin tekniikoihin liittyen. Osaamista on kehitetty erityisesti suomalaisessa Next Media –ohjelmassa, jossa tehty vuosien ajan yhteistyötä vastaavan norjalaisen NxtMedia Norway –hankkeen kanssa.

Suosittelumenetelmät keräävät tietoa kävijöiden käyttäytymisestä, prosessoivat tiedon ja tekevät sen pohjalta suosituksia. Suositusten tavoitteena on tarjota kävijälle enemmän kuin mitä hän alun perin osasi etsiä ja auttaa kävijää näkemään vain omalta kannaltaan olennaista tietoa. Näin saadaan kävijän lukukokemusta parannettua, pidennettyä sivustolla vietettyä aikaa ja sen kautta mainosten klikkaamista sekä lisättyä todennäköisyyttä sivustolle palaamiseen.

UPCV-menetelmä takaa tietojen luottamuksellisuuden

Käyttäjädatan kerääminen ja analysointi vaatii palvelulta suurta luottamuksellisuutta, jotta kerätty data ei joudu väärin käytetyksi. Perinteiset käyttäytymiseen perustuvat menetelmät ovat edellyttäneet pitkäaikaistakin tietojen keruuta kustakin kävijästä erikseen. VTT:n kehittämä UPCV (Ubiquitous Personal Context Vectors) ratkaisee kuitenkin tämän ongelman toisin: UPCV:ssä vaihdetaan satunnaislukuja kunkin käyttötapahtuman yhteydessä, ja tapahtumista jätetään muistiin vain nuo satunnaisluvut.

”Näin ollen varsinaista tapahtumaan liittyvää tietoa ei tarvitse tallentaa. Suositukset perustuvat näin syntyvien satunnaislukupinojen samankaltaisuuksiin”, toteaa UPCV-menetelmän pääkehittäjä, erikoistutkija Ville Ollikainen VTT:stä.

Menetelmässä on ainutlaatuista lisäksi se, että kuluttajien ja suosittelukohteiden saamat satunnaisluvut – kaikki mitä suosituksiin tarvitaan – voidaan säilyttää erillään ja hyödyntää itsenäisesti. Esimerkiksi lehtiartikkelien samankaltaisuuksia voidaan arvioida vertaamalla niiden satunnaislukupinoja keskenään. Tällöin käyttäjiin liittyvää dataa ei tarvitse paljastaa lainkaan.

Tietomäärän kasvaessa suosittelumenetelmien merkitys korostuu

Suomessa VTT on rakentanut UPCV-menetelmällä oppivan suosittelupalvelun (suosittelija.fi) kirjastojen Helmet-portaaliin, joka kattaa tällä hetkellä 78 kirjastoa metropolia-alueella. Tällä järjestelmällä kirjastojen asiakas saa nyt ensimmäistä kertaa lainausvinkkejä muiden lainaajien ja aikaisempien omien kirjalainojensa perusteella.

”Big Data on ollut jo pitkään yksi kuumimmista keskustelunaiheista. Tietomäärien kasvaessa kasvaa myös tarve löytää teknologisia ratkaisuja, joilla tiedosta saadaan esiin kunkin käyttäjän kannalta olennainen. Tästä suosittelutekniikat ovat hyvä esimerkki”, toteaa tutkimusprofessori Caj Södergård VTT:stä.

Norjalaisessa suositteluteknologiaprojektissa ”Anbefalingsteknologi” VTT vertailee muun muassa tietojen luottamuksellisuuden kannalta suosittelumenetelmiä, mukaan lukien VTT:n omaa UPCV:ta. Adressavisenin ja VTT:n lisäksi projektiin osallistuvat Norjan teknillinen korkeakoulu NTNU sekä IT-yritys Cxense.

Advertisements