Recommendation System

(1)

Recommendation System

Agata FILIANA

(2)

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

Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

Masalah dalam recommendation system

Agata FILIANA Recommendation System

(3)

Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

Masalah dalam recommendation system

(4)

Introduction

Apa recommendation system (sistem rekomendasi)?

Contoh?

(5)

Introduction

Apa recommendation system (sistem rekomendasi)?

Contoh?

(6)

Introduction

(7)

(8)

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?

(9)

Recommender system

Memberikan rekomendasi, biasanya barang, kepada orang (user)

Misalnya :

I

Kamera digital mana yang harus saya beli?

(10)

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?

(11)

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?

(12)

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 lebih

personal kepada user-nya, meningkatkan loyalitas user,

meningkatkan pembelian, peluang untuk promosi,

mendapatkan pengetahuan tentang user-nya

(13)

Recommender system

Kegunaan recommender system :

I

Mempersempit information overload

I

Kegunaan bagi user : mendapatkan hal yang menarik,

mempersempit pilihan, menemukan hal yang baru

personal kepada user-nya, meningkatkan loyalitas user,

meningkatkan pembelian, peluang untuk promosi,

mendapatkan pengetahuan tentang user-nya

(14)

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 lebih

personal kepada user-nya, meningkatkan loyalitas user,

meningkatkan pembelian, peluang untuk promosi,

mendapatkan pengetahuan tentang user-nya

(15)

Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

Masalah dalam recommendation system

(16)

Recommenders vs Search Engines

I

Search engines bukan sebuah sistem rekomendasi

I

Query untuk mencari rekomendasi pada search engine

menghasilkan kumpulan sistem rekomendasi

(17)

Recommenders vs Search Engines

I

Search engines bukan sebuah sistem rekomendasi

I

Query untuk mencari rekomendasi pada search engine

(18)

Recommenders vs Search Engines

(19)

Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

Masalah dalam recommendation system

(20)

Kategori Recommendation System

Content based filtering:

”Rekomendasikan buku yang sesuai

dengan tipe buku yang saya suka”. Biasanya

menggunakan fitur barang.

Collaborative filtering:

”Rekomendasikan buku yang disukai oleh

teman-teman saya”. Menggunakan preferensi

komunitas.

Hybrid:

Kombinasi dari CF dan content-based

(21)

Kategori Recommendation System

Content based filtering:

”Rekomendasikan buku yang sesuai

dengan tipe buku yang saya suka”. Biasanya

menggunakan fitur barang.

Collaborative filtering:

”Rekomendasikan buku yang disukai oleh

teman-teman saya”. Menggunakan preferensi

komunitas.

(22)

Kategori Recommendation System

Content based filtering:

”Rekomendasikan buku yang sesuai

dengan tipe buku yang saya suka”. Biasanya

menggunakan fitur barang.

Collaborative filtering:

”Rekomendasikan buku yang disukai oleh

teman-teman saya”. Menggunakan preferensi

komunitas.

Hybrid:

Kombinasi dari CF dan content-based

(23)

Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

Masalah dalam recommendation system

(24)

Input Recommendation System

(Vozalis & Margaritis, 2003) menyatakan input sistem rekomendasi

ada tiga:

I

Demographic data : umur, jenis kelamin, dll

I

Content data : analisis tekstual dari barang-barang yg pernah

dibeli oleh user

I

Ratings : scalar, binary, unary. Selain itu ada juga rating

implisit dan eksplisit.

(25)

Input Recommendation System

(Vozalis & Margaritis, 2003) menyatakan input sistem rekomendasi

ada tiga:

I

Demographic data : umur, jenis kelamin, dll

dibeli oleh user

I

Ratings : scalar, binary, unary. Selain itu ada juga rating

implisit dan eksplisit.

(26)

Input Recommendation System

(Vozalis & Margaritis, 2003) menyatakan input sistem rekomendasi

ada tiga:

I

Demographic data : umur, jenis kelamin, dll

I

Content data : analisis tekstual dari barang-barang yg pernah

dibeli oleh user

I

Ratings : scalar, binary, unary. Selain itu ada juga rating

implisit dan eksplisit.

(27)

Input Recommendation System

(Vozalis & Margaritis, 2003) menyatakan input sistem rekomendasi

ada tiga:

I

Demographic data : umur, jenis kelamin, dll

I

Content data : analisis tekstual dari barang-barang yg pernah

dibeli oleh user

I

Ratings : scalar, binary, unary. Selain itu ada juga rating

implisit dan eksplisit.

(28)

Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

Masalah dalam recommendation system

(29)

Collaborative Filtering

(30)

CF : Keuntungan

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

I

bisa digunakan pada domains dimana di dalamnya terdapat

content yangx tidak berhubungan dengan items

I

serendipitious recommendations

(31)

CF : Keuntungan

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

I

bisa digunakan pada domains dimana di dalamnya terdapat

(32)

CF : Keuntungan

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

I

bisa digunakan pada domains dimana di dalamnya terdapat

content yangx tidak berhubungan dengan items

I

serendipitious recommendations

(33)

CF : Input

(34)

CF : Output

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

(35)

CF : Metode

Nearest Neighbour

(36)

CF : Metode

Nearest Neighbour

I

user-to-user

I

item-to-item

(37)

CF : User-to-user

Terdapat sebuah matriks berisi rating. Kira-kira berapa rating

Alice untuk item5?

(38)

CF User-to-user : Pearson correlation coefficient

Bagaimana caranya mengukur kesamaan antar user?

Solusi:

Pearson correlation coefficient

sim(a, b) =

P

p∈P

(r

a,p

− r

a

)(r

b,p

− r

b

)

q

P

p∈P

(r

a,p

− r

a

)

2 q

P

p∈P

(r

b,p

− r

b

)

2 Variables

I

a, b: users

I

P: items, yang sudah dirating oleh a dan b

I

r

a,p

: rating dari user a untuk item p

(39)

CF User-to-user : Menentukan prediksi

Weighted normalized adjusted average

pred (a, b) =

r

a

+

P

b∈N

sim(a, b) ∗ (r

b,p

− r

b

)

P

b∈N

sim(a, b)

(40)

CF User-to-user : Menentukan prediksi

Lainnya :

I

Simple average

I

Weighted average

(41)

CF User-to-user : Menentukan prediksi

Jika kita ambil 2-Nearest-Neighbour

(42)

CF : Item-to-item

Memberikan prediksi berdasarkan kesamaan antar barang (items)

(43)

CF Item-to-item : Cosine similarity

Kesamaan dihitung dengan cosine similarity (yang paling sering

digunakan), dimana ratings dianggap sebagai vektor

Cosine similarity

sim(

−

→

a ,

−

→

b ) =

−

→

a .

−

→

b

|−

→

a |∗|

−

→

b |

(44)

CF Item-to-item : Cosine similarity

Opsi lain adalah adjusted cosine similarity yang menggunakan

rata-rata ratings dari user untuk mengubah rating awal

Adjusted Cosine similarity

sim(

−

→

a ,

−

→

b ) =

P

u∈U

(r

u,a

− r

u

)(r

u,b

− r

u

)

q

P

u∈U

(r

u,a

− r

u

)

2 q

P

u∈U

(r

u,b

− r

u

)

2 Variables

I

U: satu set users yang sudah melakukan rating terhadap

items a dan b

(45)

CF Item-to-item : Menentukan prediksi

Prediction function

pred (u, p) =

P

i ∈ratedItems(u)

sim(i , p) ∗ r

u,i

P

(46)

CF Item-to-item : Menentukan prediksi

(47)

Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

Masalah dalam recommendation system

(48)

Content-based

I

Membutuhkan informasi barang, tidak perlu informasi

komunitas

I

Dibutuhkan : informasi tentangg konten barang informasi

tentang apa yg disukai oleh user

I

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

classification

(49)

Content-based

I

Membutuhkan informasi barang, tidak perlu informasi

komunitas

I

Dibutuhkan : informasi tentangg konten barang informasi

tentang apa yg disukai oleh user

(50)

Content-based

I

Membutuhkan informasi barang, tidak perlu informasi

komunitas

I

Dibutuhkan : informasi tentangg konten barang informasi

tentang apa yg disukai oleh user

I

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

classification

(51)

Content-based : Keuntungan

Keuntungan dari content-based:

(52)

Content-based : Keuntungan

Keuntungan dari content-based:

I

komunitas tidak diperlukan

I

lebih mudah daripada CF?

(53)

Content-based : Keuntungan

Keuntungan dari content-based:

I

komunitas tidak diperlukan

(54)

Content-based : tf-idf

Karena merupakan text classification maka digunakan tf-idf dan

classifiers klasik seperti Naive Bayes dan SVM

(55)

Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

(56)

Evaluasi Recommendation System

Statistical accuracy metrics:

Mean Absolute Error (MAE), Root

Mean Squared Error (RMSE)

Decision support accuracy:

biasanya untuk data binary,

menunjukkan kualitas dari barang yang

direkomendasi : Precision, Recall, ROC

(57)

Evaluasi Recommendation System

Statistical accuracy metrics:

Mean Absolute Error (MAE), Root

Mean Squared Error (RMSE)

Decision support accuracy:

biasanya untuk data binary,

menunjukkan kualitas dari barang yang

direkomendasi : Precision, Recall, ROC

(58)

Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

Masalah dalam recommendation system

(59)

Masalah dalam Recommendation System

Data sparsity

Solusi? SVD (Singular Value Decomposition)

(60)

Masalah dalam Recommendation System

Data sparsity

Solusi? SVD (Singular Value Decomposition)

Cold start

First rater problem

Shilling attacks

Biased ratings

(61)

Masalah dalam Recommendation System

Data sparsity

Solusi? SVD (Singular Value Decomposition)

Cold start

First rater problem