ProtectID

Grandi Progetti R&S - PON IC 2014/2020

Il progetto ProtectID ha l’obiettivo di costruire un insieme di servizi e tecnologie per lo studio della tecnologia Blockchain all’interno di processi e servizi industriali.
Sono approfondite soluzioni innovative per le decentalized app, Modelli di Pervasive Identity & Trust, Scenari e modelli di Image/Video-driven Buy Experience, Modelli di Product configuration e 3D printing e loro integrazione con Identity Management, Scenari di utilizzo di Crypto-currency e Blockchain a supporto del Mobile Payment, Big Data Analysis a supporto di Trust per Connected Commerce.

Framework e prototipi di supporto alla Pervasive Identity & Trust per l’eCommerce.

Sperimentazione Big Data Analysis a supporto di Trust per Connected Commerce.

Prototipo di ricerca: componente per la recomendation system smart, Tool Machine Learning/TopicModeling Aggregator.

Nel prototipo sono stati applicati algoritmi di Natural Language Processing per l’estrazione di informazioni da contenuti testuali per realizzare di un prodotto/servizio che:

  • Raccolga tutte le informazioni pubblicate da un eCommerce selezionato;
  • Realizzi aggregazioni differenti di informazioni su un medesimo tema (esempio: prodotti cosmetici, prodotti di lusso etc, prodotti IoT);
  • Realizzi un sommario automatico delle informazioni aggregate.

Ciò rende dunque possibile:

  • Personalizzare i risultati secondo le preferenze degli utenti B2B e B2C;
  • Mostrare per ogni prodotto analizzato un breve riassunto di quante recensioni sono state raccolte, con alcuni KPI specifici relativi all’arco temporale e statistico(ad esempio 1.000 recensioni positive/450 recensioni negative, dal … al…etc);
  • Sarà possibile conoscere quali sono le parole chiave (o il gruppo di parole chiave) che compaiono più spesso in nelle recensioni positive e viceversa;
  • Individuare quali sono i topic e i cluster più discussi per capire a quali argomenti viene dato più spazio nella valutazione di acquisto di un prodotto.
  1. Marco vuole acquistare un prodotto su un eCommerce di cui ha sentito spesso parlare tra i colleghi.
  2. Marco prima di procedere alla selezione e all’acquisto vuole verificare le altre recensioni su quel prodotto.
  3. Marco accede alla piattaforma ML/TM e seleziona il prodotto e le relative recensioni.
  4. Marco può filtrare le recensioni (negative/negative) e può navigare per topic.
  5. Marco risponde al suo bisogno: una volta valutate le recensioni su quel prodotto procede all’acquisto o sceglie di modificare le sue scelte iniziali.
  • Scrapy raccoglie prodotti e recensioni da Amazon.
  • I dati grezzi vengono salvati in file JSON a fini di backup.
  • Contemporaneamente i dati vengono salvati nel database Postgres.
  • I dati su Postgres vengono poi processati dalle engine scritto in Python che trova i topics dividendo le recensioni in positive e negativi.
  • I dati elaborati vengono salvati sempre in Postgres.
  • Hasura si collega a Postgres ed espone le api graphQL a React.