Panduan Sederhana Membangun Sistem Rekomendasi Machine Learning [2022]

Sebagian besar bisnis internet saat ini cenderung menawarkan pengalaman pengguna yang dipersonalisasi. Sistem rekomendasi dalam pembelajaran mesin adalah jenis tertentu dari aplikasi berbasis web yang dipersonalisasi yang memberi pengguna rekomendasi yang dipersonalisasi tentang konten yang mungkin mereka minati. Sistem rekomendasi juga dikenal sebagai sistem pemberi rekomendasi.

Apa itu Sistem Rekomendasi?

Sistem rekomendasi dalam pembelajaran mesin dapat memprediksi persyaratan banyak hal untuk pengguna dan merekomendasikan hal-hal teratas yang mungkin diperlukan.

Sistem rekomendasi adalah salah satu aplikasi paling luas dari teknologi pembelajaran mesin yang diterapkan untuk bisnis.

Kami dapat menemukan sistem rekomendasi skala besar di ritel, video on demand, atau streaming musik.

Sistem rekomendasi mencoba untuk merobohkan bagian dari model pengungkapan data yang unik, di mana individu berusaha untuk menemukan orang lain dengan selera yang sebanding, dan kemudian meminta mereka merekomendasikan item baru.

Bergabunglah dengan Kursus Pembelajaran Mesin online dari Universitas top dunia – Magister, Program Pascasarjana Eksekutif, dan Program Sertifikat Tingkat Lanjut di ML & AI untuk mempercepat karier Anda.

Jenis Sistem Rekomendasi

1. Personalized- rekomendasi berdasarkan minat Anda.
2. Tidak dipersonalisasi- apa yang dilihat pelanggan lain saat ini.

Apa Perlunya Sistem Rekomendasi?

Salah satu alasan utama mengapa kami memerlukan sistem rekomendasi dalam pembelajaran mesin adalah karena internet, orang memiliki terlalu banyak pilihan untuk membeli.

Dulu, orang biasa berbelanja di toko fisik, di mana ketersediaan barang terbatas.

Misalnya, jumlah film yang ditempatkan di toko persewaan video bergantung pada ukuran toko. Web memungkinkan orang untuk mengakses banyak sumber daya online. Netflix memiliki banyak koleksi film. Ketika kuantum informasi yang tersedia meningkat, masalah baru muncul dan orang-orang merasa sulit untuk memilih dari berbagai pilihan. Oleh karena itu, sistem rekomendasi mulai digunakan.

Dimana Sistem Rekomendasi Digunakan?

• Situs e-niaga besar menggunakan alat ini untuk menyarankan barang yang mungkin ingin dibeli konsumen.
• Personalisasi web.

Bagaimana Sistem Rekomendasi Bekerja?

• Kami dapat menyarankan hal-hal kepada klien yang umumnya populer di antara klien lain.
• Kami dapat membagi klien menjadi beberapa kelompok sesuai pilihan produk mereka dan menyarankan hal-hal yang mungkin mereka beli.

Kedua teknik di atas memiliki kekurangannya masing-masing. Dalam kasus pertama, hal yang paling populer dan mainstream akan sama untuk setiap klien. Oleh karena itu, setiap orang mungkin akan menerima saran serupa. Sedangkan yang kedua, dengan bertambahnya jumlah klien, jumlah hal yang disorot sebagai saran juga akan meningkat. Dengan demikian, akan sulit untuk mengelompokkan semua klien di bawah bagian yang berbeda.

Sekarang, kita akan melihat bagaimana sistem rekomendasi bekerja.

Pengumpulan data

Ini adalah langkah pertama dan terpenting dalam membuat sistem rekomendasi. Informasi sering dikumpulkan dengan dua metode: eksplisit dan implisit.

Informasi eksplisit akan menjadi data yang diberikan dengan sengaja, yaitu kontribusi yang dibuat oleh klien seperti ulasan film. Informasi implisit adalah data yang tidak diberikan dengan sengaja, namun dikumpulkan dari aliran informasi yang dapat diakses, misalnya, klik, riwayat pencarian, riwayat permintaan, dan sebagainya.

Penyimpanan Data

Volume informasi menunjukkan kejujuran saran model. Tipe informasi memiliki peran penting dalam pengambilan data dari populasi yang besar. Kapasitas dapat terdiri dari basis informasi SQL dan NoSQL standar atau bentuk penimbunan artikel.

Filtrasi Data

Setelah pengumpulan dan penyimpanan, data ini perlu disaring untuk mengekstrak informasi untuk membuat rekomendasi akhir. Berbagai algoritma membuat proses penyaringan lebih mudah.

Algoritma untuk Sistem Rekomendasi

Sistem perangkat lunak memberikan saran kepada pengguna menggunakan iterasi historis dan atribut item/pengguna.

Ada dua metode untuk membangun sistem rekomendasi.

1. Rekomendasi berbasis konten

• Menggunakan atribut item/pengguna
• Merekomendasikan item yang mirip dengan yang disukai oleh pengguna di masa lalu

2. Penyaringan kolaboratif

• Merekomendasikan item yang disukai oleh pengguna serupa
• Aktifkan eksplorasi konten yang beragam

Rekomendasi Berbasis Konten

Pembelajaran mesin yang diawasi mendorong pengklasifikasi untuk membedakan antara item pengguna yang menarik dan tidak menarik.

Tujuan dari sistem rekomendasi adalah untuk meramalkan skor untuk hal-hal yang tidak diberi peringkat dari pengguna. Pemikiran mendasar di balik pemfilteran konten adalah bahwa semuanya memiliki beberapa sorotan x.

Misalnya, film “Love at last” adalah film percintaan dan memiliki skor tinggi untuk sorotan x1, namun skor rendah untuk x2.

( Data Peringkat Film )

Sumber

Setiap individu memiliki parameter yang menunjukkan seberapa besar mereka menyukai film percintaan, dan seberapa besar mereka menyukai film aksi.

Jika = [1, 0.1], orang tersebut menyukai film romantis tetapi tidak menyukai film laga.

Kita dapat menemukan yang optimal dengan regresi linier untuk setiap individu.

(Notasi)

r(i,j): 1 jika pengguna j telah menilai film i (0 sebaliknya)

y(i,j): rating pengguna j pada film i (jika ditentukan)

(j): parameter vektor pengguna

x(i): film saya menampilkan vektor

peringkat yang diprediksi [pengguna j, film i]: (θ(j))ᵀx(i)

m(j): # jumlah pengguna film j tarif

n: # pengguna

n: # fitur film

Baca: Ide & Topik Proyek Pembelajaran Mesin

Penyaringan Kolaboratif

Kelemahan dari pemfilteran konten adalah membutuhkan data sampingan untuk semuanya.

Misalnya, klasifikasi seperti romansa dan aksi adalah data sampingan dari film. Sangat mahal untuk menemukan seseorang yang menonton film dan menambahkan data sampingan untuk setiap film di luar sana.

Asumsi dasar

• Pengguna dengan minat yang sama memiliki preferensi yang sama.
• Sejumlah besar preferensi pengguna tersedia.

Pendekatan Utama

• Berbasis pengguna
• Berbasis barang

Bagaimana mungkin orang bisa membuat daftar semua fitur film? Bagaimana jika seseorang ingin menambahkan fitur baru? Haruskah kita menambahkan fitur baru ke semua film?

Pemfilteran kolaboratif memecahkan masalah ini.

( Memprediksi fitur film ) Sumber

Masalah & Pemeliharaan dengan Sistem Rekomendasi dalam Pembelajaran Mesin

Masalah

• Struktur input pengguna yang tidak meyakinkan
• Mencari pengguna untuk berpartisipasi dalam studi kritik
• Perhitungan yang lemah
• Hasil buruk
• Informasi yang buruk
• Kurang informasi
• Kontrol privasi (mungkin tidak sepenuhnya bekerja sama dengan tanda terima)

Pemeliharaan

• Mahal
• Informasi menjadi usang
• Kualitas informasi (sangat besar, pengembangan ruang lingkaran)

Sistem rekomendasi dalam pembelajaran mesin berakar pada berbagai bidang penelitian, seperti pencarian informasi, klasifikasi teks, dan menerapkan metode yang berbeda dari berbagai bagian seperti pembelajaran mesin, penambangan data, dan sistem berbasis pengetahuan.

Masa Depan Sistem Rekomendasi

• Ekstrak memahami penilaian negatif melalui pemeriksaan hal-hal yang dibawa kembali.
• Bagaimana menggabungkan area lokal dengan proposal.
• Sistem rekomendasi akan digunakan nanti untuk mengantisipasi minat untuk item, memberdayakan korespondensi sebelumnya kembali ke jaringan toko.

Tingkatkan Karir Anda dalam Pembelajaran Mesin dengan upGrad

Jika Anda tertarik untuk mempelajari lebih lanjut tentang pembelajaran mesin, lihat Program PG Eksekutif IIIT-B & upGrad dalam Pembelajaran Mesin & AI yang dirancang untuk para profesional yang bekerja dan menawarkan 450+ jam pelatihan ketat, 30+ studi kasus & tugas, IIIT -B Status Alumni, 5+ proyek batu penjuru praktis & bantuan pekerjaan dengan perusahaan-perusahaan top.