Recommendation System - lecturer.ukdw.ac.idlecturer.ukdw.ac.id/budsus/pdf/textwebmining/RecommendationSyst… · Input recommendation system Collaborative Filtering Content-based

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

Recommendation System

Agata FILIANA

May 28, 2014

Agata FILIANA



Introduction

Recommenders vs Search Engines

Kategori recommendation system

Input recommendation system

Collaborative Filtering

Content-based

Evaluasi recommendation system

Masalah dalam recommendation system

Agata FILIANA



Introduction





Content-based



Agata FILIANA



Introduction

Apa recommendation system (sistem rekomendasi)?Contoh?

Agata FILIANA



Introduction

Apa recommendation system (sistem rekomendasi)?Contoh?

Agata FILIANA



Introduction

Agata FILIANA



Introduction

Agata FILIANA



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?

Agata FILIANA



Recommender system





Agata FILIANA



Recommender system





Agata FILIANA



Recommender system





Agata FILIANA



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

Agata FILIANA



Recommender system





Agata FILIANA



Recommender system





Agata FILIANA



Introduction





Content-based



Agata FILIANA




I Search engines bukan sebuah sistem rekomendasi

I Query untuk mencari rekomendasi pada search enginemenghasilkan kumpulan sistem rekomendasi

Agata FILIANA




I Search engines bukan sebuah sistem rekomendasi

I Query untuk mencari rekomendasi pada search enginemenghasilkan kumpulan sistem rekomendasi

Agata FILIANA




Agata FILIANA



Introduction





Content-based



Agata FILIANA



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

Agata FILIANA







Agata FILIANA







Agata FILIANA



Introduction





Content-based



Agata FILIANA



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.

Agata FILIANA








Agata FILIANA








Agata FILIANA








Agata FILIANA



Introduction





Content-based



Agata FILIANA




”wisdom of crowd”

Agata FILIANA



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

Agata FILIANA



CF : Keuntungan




Agata FILIANA



CF : Keuntungan




Agata FILIANA



CF : InputInput dari CF : matriks user-item ratings

Agata FILIANA



CF : Output

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

Agata FILIANA



CF : Metode

Nearest Neighbour

I user-to-user

I item-to-item

Agata FILIANA



CF : Metode

Nearest Neighbour

I user-to-user

I item-to-item

Agata FILIANA



CF : User-to-user

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

Agata FILIANA



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

Agata FILIANA



CF User-to-user : Menentukan prediksi

Weighted normalized adjusted average

pred(a, b) =

ra +

∑b∈N sim(a, b) ∗ (rb,p − rb)∑

b∈N sim(a, b)

Agata FILIANA




Lainnya :

I Simple average

I Weighted average

Agata FILIANA




Jika kita ambil 2-Nearest-Neighbour

PAlice,item5 = 3+42 = 3.5

Agata FILIANA



CF : Item-to-item

Memberikan prediksi berdasarkan kesamaan antar barang (items)

Agata FILIANA



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 |

Agata FILIANA



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

Agata FILIANA



CF Item-to-item : Menentukan prediksi

Prediction functionpred(u, p) = ∑

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

Agata FILIANA



CF Item-to-item : Menentukan prediksi

Agata FILIANA



Introduction





Content-based



Agata FILIANA



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

Agata FILIANA



Content-based




Agata FILIANA



Content-based




Agata FILIANA



Content-based : Keuntungan

Keuntungan dari content-based:

I komunitas tidak diperlukan

I lebih mudah daripada CF?

Agata FILIANA







Agata FILIANA







Agata FILIANA



Content-based : tf-idf

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

Agata FILIANA



Introduction





Content-based



Agata FILIANA



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

Agata FILIANA



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

Agata FILIANA



Introduction





Content-based



Agata FILIANA



Masalah dalam Recommendation System

Data sparsity Solusi? SVD (Singular Value Decomposition)

Cold start First rater problem

Shilling attacks Biased ratings

Agata FILIANA







Agata FILIANA







Agata FILIANA


Documents

Recommendation System - lecturer.ukdw.ac.idlecturer.ukdw.ac.id/budsus/pdf/textwebmining/RecommendationSyst… · Input recommendation system Collaborative Filtering Content-based