recommendation system - kungfumas.files.wordpress.com · i content data : analisis tekstual dari...

Introduction Recommenders vs Search Engines Kategori recommendation system Input recommendation system Collaborative Filtering Content-based Evaluasi recommendation system Masalah dalam recommendation system

Recommendation System

Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

Masalah dalam recommendation system

Introduction

Content-based

Introduction

Apa recommendation system (sistem rekomendasi)?Contoh?

Introduction

Apa recommendation system (sistem rekomendasi)?Contoh?

Introduction

Recommender system

Memberikan rekomendasi, biasanya barang, kepada orang (user)Misalnya :

I Kamera digital mana yang harus saya beli?

I Akun twitter mana yang akan harus saya follow?

I Universitas mana yang tepat bagi saya?

Recommender system

Kegunaan recommender system :

I Mempersempit information overload

I Kegunaan bagi user : mendapatkan hal yang menarik,mempersempit pilihan, menemukan hal yang baru

I Kegunaan bagi provider : memberikan rekomendasi yang lebihpersonal kepada user-nya, meningkatkan loyalitas user,meningkatkan pembelian, peluang untuk promosi,mendapatkan pengetahuan tentang user-nya

Recommender system

Introduction

Content-based

I Search engines bukan sebuah sistem rekomendasi

I Query untuk mencari rekomendasi pada search enginemenghasilkan kumpulan sistem rekomendasi

I Search engines bukan sebuah sistem rekomendasi

I Query untuk mencari rekomendasi pada search enginemenghasilkan kumpulan sistem rekomendasi

Introduction

Content-based

Kategori Recommendation System

Content based filtering: ”Rekomendasikan buku yang sesuaidengan tipe buku yang saya suka”. Biasanyamenggunakan fitur barang.

Collaborative filtering: ”Rekomendasikan buku yang disukai olehteman-teman saya”. Menggunakan preferensikomunitas.

Hybrid: Kombinasi dari CF dan content-based

Introduction

Content-based

Input Recommendation System

(Vozalis & Margaritis, 2003) menyatakan input sistem rekomendasiada tiga:

I Demographic data : umur, jenis kelamin, dll

I Content data : analisis tekstual dari barang-barang yg pernahdibeli oleh user

I Ratings : scalar, binary, unary. Selain itu ada juga ratingimplisit dan eksplisit.

Introduction

Content-based

”wisdom of crowd”

CF : Keuntungan

(Melville et al., 2002) menyebutkan dua keuntungan CF:

I bisa digunakan pada domains dimana di dalamnya terdapatcontent yangx tidak berhubungan dengan items

I serendipitious recommendations

CF : Keuntungan

CF : InputInput dari CF : matriks user-item ratings

CF : Output

Output dari CF : top-N list, prediksi rating score

CF : Metode

Nearest Neighbour

I user-to-user

I item-to-item

CF : Metode

Nearest Neighbour

I user-to-user

I item-to-item

CF : User-to-user

Terdapat sebuah matriks berisi rating. Kira-kira berapa ratingAlice untuk item5?

CF User-to-user : Pearson correlation coefficientBagaimana caranya mengukur kesamaan antar user?Solusi:

Pearson correlation coefficientsim(a, b) = ∑

p∈P(ra,p − ra)(rb,p − rb)√∑p∈P(ra,p − ra)2

√∑p∈P(rb,p − rb)2

Variables

I a, b: users

I P: items, yang sudah dirating oleh a dan b

I ra,p: rating dari user a untuk item p

CF User-to-user : Menentukan prediksi

Weighted normalized adjusted average

pred(a, b) =

∑b∈N sim(a, b) ∗ (rb,p − rb)∑

b∈N sim(a, b)

Lainnya :

I Simple average

I Weighted average

Jika kita ambil 2-Nearest-Neighbour

PAlice,item5 = 3+42 = 3.5

CF : Item-to-item

Memberikan prediksi berdasarkan kesamaan antar barang (items)

CF Item-to-item : Cosine similarity

Kesamaan dihitung dengan cosine similarity (yang paling seringdigunakan), dimana ratings dianggap sebagai vektor

Cosine similarity

sim(−→a ,−→b ) =

−→a .−→b

|−→a |∗|−→b |

CF Item-to-item : Cosine similarity

Opsi lain adalah adjusted cosine similarity yang menggunakanrata-rata ratings dari user untuk mengubah rating awal

Adjusted Cosine similarity

sim(−→a ,−→b ) = ∑

u∈U(ru,a − ru)(ru,b − ru)√∑u∈U(ru,a − ru)2

√∑u∈U(ru,b − ru)2

Variables

I U: satu set users yang sudah melakukan rating terhadapitems a dan b

CF Item-to-item : Menentukan prediksi

Prediction functionpred(u, p) = ∑

i∈ratedItems(u) sim(i , p) ∗ ru,i∑i∈ratedItem(u) sim(i , p)

CF Item-to-item : Menentukan prediksi

Introduction

Content-based

I Membutuhkan informasi barang, tidak perlu informasikomunitas

I Dibutuhkan : informasi tentangg konten barang informasitentang apa yg disukai oleh user

I Biasanya dipakai untuk text-based, misalnya berita ¿¿ textclassification

Content-based

Content-based : Keuntungan

Keuntungan dari content-based:

I komunitas tidak diperlukan

I lebih mudah daripada CF?

Content-based : tf-idf

Karena merupakan text classification maka digunakan tf-idf danclassifiers klasik seperti Naive Bayes dan SVM

Introduction

Content-based

Evaluasi Recommendation System

Statistical accuracy metrics: Mean Absolute Error (MAE), RootMean Squared Error (RMSE)

Decision support accuracy: biasanya untuk data binary,menunjukkan kualitas dari barang yangdirekomendasi : Precision, Recall, ROC

Evaluasi Recommendation System

Statistical accuracy metrics: Mean Absolute Error (MAE), RootMean Squared Error (RMSE)

Decision support accuracy: biasanya untuk data binary,menunjukkan kualitas dari barang yangdirekomendasi : Precision, Recall, ROC

Introduction

Content-based

Masalah dalam Recommendation System

Data sparsity Solusi? SVD (Singular Value Decomposition)

Cold start First rater problem

Shilling attacks Biased ratings

recommendation system - kungfumas.files.wordpress.com · i content data : analisis tekstual dari...

Documents