Secondo un gruppo internazionale di ricercatori, fra cui membri di INFM-CNR, Il tagging, cioè l’associazione tra contenuti e parole chiave sul web, non è casuale e segue dei modelli, che in futuro potrebbero avere risvolti interessanti per perfezionare la gestione di pubblicità e marketing online, combattere con efficacia lo spam, e rivoluzionare il social networking
Cosa “guida” gli utenti sul web, quando associano tra loro contenuti e parole chiave? Vittorio Loreto di INFM-CNR e Università La Sapienza di Roma, Andrea Baldassarri dell’Università La Sapienza di Roma, Ciro Cattuto della Fondazione ISI di Torino, e Alain Barrat e Gregory Schehr del CNRS francese, hanno creato un modello di tagging capace di produrre risultati confrontabili con i dati reali estratti da siti di social networking, nello specifico del.icio.us e Bibsonomy.
L’associazione fra contenuto e tag tende a muoversi lungo catene di “affinità semantica” (come “cielo” e “nuvola”, “nuvola” e “bianco”, e così via). Questo semplice meccanismo è stato usato dai ricercatori come base per dare vita al loro modello, che è un sistema in grado di generare post virtuali che mimano per struttura quelli reali. Centinaia di migliaia di post virtuali sono stati quindi creati e confrontati con altrettanti provenienti da siti reali, con risultati sorprendenti: i due gruppi condividono una stessa struttura complessiva, e rispondono alle stesse leggi statistiche.
Comprendere le dinamiche che sottendono il processo di associazione fra tag e contenuti è importante per creare sistemi efficaci di protezione dallo spam (capaci di identificare le associazioni “sbagliate” di parole all’interno di email fraudolente), oppure servizi di pubblicità e marketing online capaci di proporre all’utente prodotti calibrati con maggior precisione. E ancora, innovazioni nei sistemi di social networking, e l’utilizzo del tagging fatto dagli utenti per catalogare enormi quantità di dati (una strada intrapresa da Google).
Il risultato dei test ha sorpreso gli scienziati. Il loro modello, volutamente generico, ha infatti ricostruito in maniera quasi perfetta la struttura dei dati reali, rispecchiandone molte importanti caratteristiche, come la co-occorrenza di tag (cioè quante volte un tag è usato assieme a un altro, si pensi a “mare” e “acqua”), o la legge che regola l’aumento del numero complessivo di tag usati dagli utenti. Prossimo passo sarà quello di migliorare il modello, perfezionando ulteriormente il modello con vari correttivi che meglio rispecchiano il comportamento degli utenti reali.
