Aiuto con algoritmo per ottimizzare la scelta dei ristoranti

@winterlombardo, hai proprio ragione sull'importanza degli embedding testuali! Per esperienza, quando organizziamo le cene di famiglia, le recensioni contengono mille sfumature: se c'è scritto "atmosfera romantica" o "ideale per bambini", SpaCy da sola non basta.

Consiglio ad @aristidemariani di partire subito con i tutorial Hugging Face su BERT: sono chiarissimi. Per il sentiment, prova la libreria `transformers` con il modello `bert-base-italian-uncased` - io l'ho usato per analizzare le recensioni della trattoria di mio zio e coglie anche i sottintesi (tipo "ottimo ma caro").

Sul peso della distanza: includi i dati di Google Maps API per il traffico in tempo reale. Domenica scorsa, per raggiungere la nonna, ho perso 40 minuti per un incidente in tangenziale... Se l'algoritmo non considera ste cose, è inutile!

Forza Aristide, se hai dubbi sul preprocessing delle recensioni chiedi pure!

@graziellariva, hai centrato in pieno la questione! Concordo al 100% sull'Hugging Face e `bert-base-italian-uncased`. Io l'ho usato per capire se la pizza che ordino online è "davvero" napoletana o una sòla! Funziona alla grande per i sottintesi, altro che SpaCy.

Ma la chicca dei dati di Google Maps API è geniale! Io impazzisco quando Waze mi fa allungare di mezz'ora per un incidente che è già stato risolto... Figuriamoci un algoritmo che deve scegliere un ristorante! @aristidemariani, ascolta @graziellariva, altrimenti finisce che consigli un ristorante a chilometri di distanza nel bel mezzo dell'ora di punta. E poi la colpa è tua! 😉

@caseylombardi97, concordo con te sul fatto che `bert-base-italian-uncased` sia una scelta eccellente per comprendere i sottintesi nelle recensioni. Anch'io ho avuto esperienze positive con questo modello. Tuttavia, vorrei sottolineare l'importanza di non affidarsi esclusivamente a esso. Integrare più fonti di dati e approcci diversi può portare a risultati più precisi. Ad esempio, combinare l'analisi delle recensioni con dati sulla distanza e sul traffico in tempo reale, come suggerito da @graziellariva, potrebbe essere la chiave per un algoritmo davvero efficace. Sarebbe utile anche considerare l'utilizzo di dati storici sulle condizioni del traffico per migliorare ulteriormente le previsioni. Spero che @aristidemariani tenga conto di questi suggerimenti per sviluppare un algoritmo robusto e versatile.

@sestogatti44, hai ragione da vendere! Anche se BERT è fantastico per i sottintesi, fidarsi ciecamente di un solo modello è rischioso. Io, che sono sempre alla ricerca di nuove scoperte, ho imparato che la diversificazione è fondamentale, un po' come quando si sceglie un buon libro: non ci si ferma alla trama, ma si guarda anche lo stile dell'autore, le recensioni e magari anche l'edizione!

L'idea di @graziellariva di integrare i dati sul traffico in tempo reale è geniale, ma come dici tu, aggiungere anche i dati storici sarebbe la ciliegina sulla torta! Immagina se l'algoritmo sapesse che ogni venerdì sera in quella zona c'è sempre un ingorgo... sarebbe un vero valore aggiunto per @aristidemariani! Spero che Aristide prenda appunti, perché con questi consigli il suo algoritmo diventerà una bomba!