Cara Kerja Recommender Systems

By | April 5, 2022
2,610 Views

Kalian yang sering belanja online tentu merasa terbantu dengan rekomendasi produk/jasa yang telah ditawarkan oleh aplikasi tersebut. Dalam cara yang sangat umum, sistem pemberi rekomendasi -Recommender Systems adalah algoritma yang ditujukan untuk menyarankan item yang relevan kepada pengguna (item menjadi film untuk ditonton, teks untuk dibaca, produk untuk dibeli atau apa pun tergantung pada jenis industri).

Perusahaan marketplace online atau e-niaga dan ritel memanfaatkan kekuatan data dan meningkatkan penjualan dengan menerapkan sistem pemberi rekomendasi di situs web mereka. Penggunaan Recommender Systems ini terus meningkat dalam beberapa tahun terakhir dan ini saat yang tepat untuk kita pelajari.

Dalam postingan blog ini, kita akan mempelajari berbagai jenis Recommender Systems yang populer, cara kerjanya, dan cara penggunaannya oleh perusahaan di industri. Selain itu juga akan membahas persyaratan untuk menerapkan Recommender Systems, dan cara mengevaluasinya

Apa itu Recommender Systems

Recommender Systems bertujuan untuk memprediksi minat pengguna dan merekomendasikan item produk yang kemungkinan besar menarik bagi mereka. Recommender Systems melibatkan machine learning yang diterapkan pengecer online untuk mendorong penjualan.

Data yang diperlukan untuk Recommender Systems berasal dari peringkat /rating pengguna setelah menonton film atau mendengarkan lagu, dari kueri mesin telusur implisit dan riwayat pembelian, atau dari pengetahuan lain tentang pengguna / item itu sendiri serta pengunjung situs melakukan klik ke tautan tertentu.

Situs-situs seperti Spotify, YouTube menggunakan data tersebut untuk menyarankan daftar putar untuk membuat rekomendasi video sehingga setiap pembaca/penonton akan ditampilkan hasil yang berbeda-beda. Misalkan yang suka nonton ulasan mobil akan sering ditampilkan video ridwan hanif, fitra eri, om mobi atau kalian yang suka nonton ulasan gadget maka youtube kalian akan berisi ulasan video DK ID, gadgetin, nerd reviews ID.

Mengapa kita membutuhkan Recommender Systems

Penyedia Layanan / Perusahaan yang menggunakan sistem rekomendasi fokus pada peningkatan penjualan sebagai hasil dari penawaran yang sangat dipersonalisasi dan pengalaman pelanggan yang ditingkatkan.

Recommender Systems bermanfaat bagi penyedia layanan dan pengguna yaitu mengurangi biaya transaksi untuk menemukan dan memilih item dalam lingkungan belanja online. Recommender Systems juga terbukti meningkatkan proses dan kualitas pengambilan keputusan. Dalam pengaturan e-commerce, Recommender Systems meningkatkan pendapatan, karena fakta bahwa mereka adalah cara yang efektif untuk menjual lebih banyak produk. [1]

See also  Smile - Statistical Machine Intelligence and Learning Engine

Keunggulan penggunaan recomender system bagi penyedia layanan yaitu

  1. Rekomendasi biasanya mempercepat penelusuran dan mempermudah pengguna untuk mengakses konten yang mereka minati, dan ada efek kejutan bagi mereka dengan penawaran yang tidak akan pernah mereka cari.
  2. Terlebih lagi, perusahaan dapat memperoleh dan mempertahankan pelanggan dengan mengirimkan email dengan tautan ke penawaran baru yang sesuai dengan minat penerima, atau saran film dan acara TV yang sesuai dengan profil mereka.
  3. Pengguna mulai merasa dikenal dan dipahami dan cenderung membeli produk tambahan atau mengonsumsi lebih banyak konten. Dengan mengetahui apa yang diinginkan pengguna, perusahaan memperoleh keunggulan kompetitif dan ancaman kehilangan pelanggan oleh pesaing berkurang.
  4. Memberikan nilai tambah kepada pengguna dengan memasukkan rekomendasi ke dalam sistem dan produk sangatlah menarik. Selain itu, ini memungkinkan perusahaan untuk memposisikan diri di depan pesaing mereka dan pada akhirnya meningkatkan pendapatan mereka.

Tahapan proses rekomendasi

Terdapat beberapa tahapan proses untuk membuat recomender system

Fase pengumpulan informasi

Fase ini mengumpulkan informasi pengguna yang relevan untuk menghasilkan profil pengguna atau model untuk tugas prediksi termasuk atribut pengguna, perilaku atau konten sumber daya yang diakses pengguna.

Agen rekomendasi tidak dapat berfungsi secara akurat hingga profil / model pengguna dibuat dengan baik. Sistem perlu mengetahui sebanyak mungkin dari pengguna untuk memberikan rekomendasi yang wajar sejak awal.

Dalam platform E-learning, profil pengguna adalah kumpulan informasi pribadi yang terkait dengan pengguna tertentu. Informasi ini mencakup keterampilan kognitif, kemampuan intelektual, gaya belajar, minat, preferensi, dan interaksi dengan sistem. Profil pengguna biasanya digunakan untuk mengambil informasi yang diperlukan untuk membangun model pengguna. Dengan demikian,

profil pengguna menggambarkan model pengguna yang sederhana. Keberhasilan sistem rekomendasi apa pun sangat bergantung pada kemampuannya untuk mewakili minat pengguna saat ini. Model yang akurat sangat diperlukan untuk mendapatkan rekomendasi yang relevan dan akurat dari teknik prediksi apa pun.

 

  1. Explicit feedback: Sistem biasanya meminta pengguna melalui antarmuka sistem untuk memberikan peringkat untuk item guna membangun dan meningkatkan modelnya. Keakuratan rekomendasi tergantung pada kuantitas peringkat yang diberikan oleh pengguna. Satu-satunya kekurangan dari metode ini adalah, membutuhkan usaha dari pengguna dan selain itu pengguna tidak selalu siap untuk memberikan informasi yang cukup. Contohnya memberikan nilai rating pada suatu produk
  2. Implicit feedback: Sistem secara otomatis menyimpulkan preferensi pengguna dengan memantau berbagai tindakan pengguna seperti riwayat pembelian, riwayat navigasi, dan waktu yang dihabiskan di beberapa halaman web, tautan yang diikuti oleh pengguna, konten email, dan klik tombol. Masukan implisit mengurangi beban pengguna dengan menyimpulkan preferensi pengguna dari perilaku mereka dengan sistem. Metode ini meskipun tidak membutuhkan usaha dari pengguna, tetapi kurang akurat. Misalkan seperti nonton youtube
  3. Hybrid feedback: Kekuatan umpan balik implisit dan eksplisit dapat digabungkan dalam sistem hybrid untuk meminimalkan kelemahan mereka dan mendapatkan sistem yang berkinerja terbaik. Hal ini dapat dicapai dengan menggunakan data implisit sebagai pemeriksaan peringkat eksplisit atau mengizinkan pengguna untuk memberikan umpan balik eksplisit hanya ketika dia memilih untuk mengungkapkan minat eksplisit. Misalkan pada saat nonton youtube memberikan like dan dislike dilain hal google juga mempelajari perilaku penonton seperti durasi tonton setiap pengguna
See also  Numenta Mendemonstrasikan Peningkatan Kecepatan 50x pada Jaringan Deep Machine Learning

Fase belajar

Fase ini menerapkan algoritma pembelajaran untuk memfilter dan memanfaatkan fitur pengguna dari umpan balik yang dikumpulkan dalam fase pengumpulan informasi.

Fase prediksi / rekomendasi

Fase ini merekomendasikan atau memprediksi jenis item yang mungkin disukai pengguna.

Bagaimana Recomender System Bekerja?

Recomender System berfungsi dengan dua jenis informasi:

  1. Characteristic information – Informasi karakteristik. Ini adalah informasi tentang item (kata kunci, kategori, dll.) Dan pengguna (preferensi, profil, dll.).
  2. User-item interactions – Interaksi item pengguna. Ini adalah informasi seperti peringkat, jumlah pembelian, suka, dll.

Berdasarkan diatas, maka dapat membedakan antara tiga algoritma yang digunakan dalam recomender system:

  1. Content-based systems – Sistem berbasis konten, yang menggunakan informasi karakteristik.
  2. Collaborative filtering systems – Sistem pemfilteran kolaboratif, yang didasarkan pada interaksi item-pengguna.
  3. Hybrid systems – Sistem hybrid, yang menggabungkan kedua jenis informasi dengan tujuan menghindari masalah yang ditimbulkan saat bekerja hanya dengan satu jenis.

Content-based systems

Sistem ini membuat rekomendasi menggunakan item dan fitur profil pengguna. Mereka berhipotesis bahwa jika pengguna pernah tertarik dengan suatu barang di masa lalu, mereka akan sekali lagi tertarik padanya di masa mendatang. Barang serupa biasanya dikelompokkan berdasarkan fiturnya. Profil pengguna dibuat menggunakan interaksi historis atau dengan menanyakan secara eksplisit kepada pengguna tentang minat mereka. Ada sistem lain, yang tidak dianggap murni berbasis konten, yang memanfaatkan data pribadi dan sosial pengguna.

Salah satu masalah yang muncul adalah membuat rekomendasi yang jelas karena spesialisasi yang berlebihan (pengguna A hanya tertarik pada kategori B, C, dan D, dan sistem tidak dapat merekomendasikan item di luar kategori tersebut, meskipun mungkin menarik bagi mereka).

Masalah umum lainnya adalah pengguna baru tidak memiliki profil yang ditentukan kecuali mereka secara eksplisit diminta untuk memberikan informasi. Namun demikian, menambahkan item baru ke sistem relatif mudah yaitu hanya perlu memastikan bahwa pengguna tersebut memilih sendiri grup sesuai dengan fitur mereka.

See also  Tempat Service Arloji

Collaborative filtering systems

Pemfilteran kolaboratif saat ini merupakan salah satu pendekatan yang paling sering digunakan dan biasanya memberikan hasil yang lebih baik daripada rekomendasi berbasis konten. Beberapa contohnya dapat ditemukan di sistem rekomendasi Youtube, Netflix, dan Spotify. Misalnya, dengan menggunakan pendapat dan tindakan mereka untuk merekomendasikan item kepada kita atau untuk mengidentifikasi bagaimana satu produk dapat cocok dengan produk lain.

Apa syarat untuk membangun recomender system?

Data adalah aset terpenting. Pada dasarnya, kita perlu mengetahui beberapa detail tentang pengguna dan item kita. Jika hanya metadata yang kita miliki, maka bisa mulai dengan pendekatan berbasis konten – Content-based systems. Jika memiliki banyak interaksi pengguna, maka dapat bereksperimen dengan pemfilteran kolaboratif  – Collaborative filtering systems yang lebih canggih.

Semakin besar kumpulan data yang kita miliki, semakin baik sistem bekerja. Selain itu, kita harus memastikan bahwa kita memiliki tim yang mampu memahami data dan memanipulasinya dengan benar agar mendapatkan insight yang berguna

ref:

  1. IF.O.Isinkaye Y.O.Folajimi B.A.Ojokoh, Recommendation systems: Principles, methods and evaluation.Egyptian Informatics Journal Volume 16, Issue 3, November 2015, Pages 261-273
  2. Introduction to Recommendation Engine”, by Oracle + DataScience.com, link link.