Recommender Sytems adalah sebuah perangkat lunak dan teknik menyediakan saran suatu item produk yang berguna untuk pengguna.
Fungsi dari Recommender System
- Mengatasi overwhelming/informasi berlebih
- Memprediksi item yang paling sesuai dengan pengguna
- Menyediakan sajian pendukung keputusan dalam memilih produk yang baik
- Menampung pola pengguna dalam memilih item
- Memberikan item pilihan alternative untuk pengguna
- Menghasilkan item produk yang relevan dengan interaksi yang beragam
Keuntungan menggunakan Recommender System
1. Menambah angka penjualan produk jenis tertentu
Menjual tanpa jenis rekomendasi, melihat kecenderungan pengguna
2. Menjual jenis item produk yang beragam
Memungkinkan pengguna produk yang unik tapi sesuai dengan preferensinya
3. Menambah kepuasan pelalanggan
Membuat pengguna lebih tertarik dan relevan terhadap item produk yang ditemukanya
4. Menambah kesetiaan pelanggan
Penyediaan informasi yang interaktif membuat pelanggan lebih setia pada system yang dibuat
5. Lebih memahami apa yang user inginkan
Sistem dapat membantu pengguna awam, memberikan rekomendasi, mendukung keputusan dsb.
Sedangkan menurut Hertlocker, keuntungan menggunakan Recommender System diantaranya :
1. Menemukan item-item yang bagus
Merank item-item produk yang paling bagus
2. Menemukan semua produk yang bagus
Merekomendasikan semua item yang dapat memenuhi beberapa kebutuhan pengguna
3. Anotasi dalam konteks
Memberikan keterangan pada item-item produk
4. Merekomendasikan secara berurutan
Melist item-tem produk secara terurut, seperti di rekomendasikan semuanya
5. Merekomendasikan bundle
Merekomendasikan berupa paketan suatu item secara group
6. Just browsing
Menjadi bahan penelusuran tanpa berniat membeli
7. Mencari system rekomendasi yang kredibel
Menguji system rekomendasi
8. Meningkatkan learning profile system rekomendasi
Mengetahui pola profil pengguna
9. Express self
Tanpa memperhatikan rekomendasi, sistem memberikan ruang buat pengguna untuk memberi masukan terhadap item-item produk
10. Membantu orang lain
Mengevaluasi rank, memberikan opini sehingga membantu orang lain dalam menemukan item produk yang relevan
11. Mempengaruhi orang lain
Dalam RSs ada yang memang tujuan utamanya untuk mempengaruhi pengguna dalam memilih item produk tertentu
Sumber Data and Knowledge
1. Items
Dilihat dari utilitas, contohnya item positif tepat untuk direkomendasikan, begitu pun item sebaliknya
2. Users
Dilihat dari pola pengguna, tujuan, serta kararteristik pengguna itu sendiri
3. Transactions
Penggunaan data log transaksi yang tersimpan selama berinteraksi dengan system rekomendasi, seperti koleksi” data transaksi item pilihan, data rating, dsb.
Teknik Dalam Merekomendasikan
1. Content-based
Merekomendasikan item yang typical (contentnya) nya yang representasinya sama dengan item yang relevan dengan pengguna, kesamaan item dihitung berdasarkan pada fitur yang berhubungan dengan item.
2. Collaborative filtering
Merekomendasikan item yang seleranya mirip dengan pengguna menyukai item tersebut di masa lalu, mengacu pada korelasi antar pengguna.
3. Demographic
Merekomendasikan item berdasarkan demografi profil pengguna.
4. Knowledge-based
Merekomendasikan item berdasarkan specific domain knowledge tentang kebutuhan pengguna dan preferensi sehingga bemanfaat untuk pengguna.
5. Community-based
Merekomendasikan item berdasarkan preferensi temen pengguna, mengadopsi epigram “Tell me who your friends are, and I will tell you who you are”
6. Hybrid recommender systems
Merekomendasikan item berdasarkan gabungan dari beberapa metode, hal ini didasarkan pada kombinasi, sebuah sistem hybrid menggabungkan metode A dan B dengan tujuan menggunakan keuntungan dari A untuk memperbaiki kelemahan dari metode B.
Implementasi dari Recommender System
Aplikasi dan implementasi dari system rekomendasi itu sendiri adalah berupa
– Entertainment, Content, E-Commerce, Services.
Evaluasi Recommender System
Adapun untuk experiment evaluasi dengan melakukan koleksi data baik dengan kualitatif maupun kuantitatif.
System Recommender dalam beberapa multidisiplin
Recommender system like Information Retirieval, mempunyai kebanyakan masalah pada Filtering dan Perankingan.
Topik dan Tantangan
1. Skabilitas algoritma dengan dataset yang besar dan real-world datasets.
Menentukan bagaimana menanamkan teknik rekomendasi inti dalam sistem operasional yang nyata dan bagaimana menghadapi set besar dan dinamis dari data yang dihasilkan oleh interaksi dari pengguna dengan (peringkat, preferensi, ulasan, dll) item.
2. Proactive recommender systems
Recommender system dapat memberikan informasi lebih sekalipun tidak diminta.
3. Pelayanan privasi dalam recommender systems
4. Memberikan keragaman produk pada pengguna
5. Mengintegrasikan pemantauan jangka panjang dan jangka pendek pada pembangunan recommender system.
Recommender system dibagi menjadi 2 kelas, jangka pendek dan jangka panjang dengan menggabungkan semua data transaksi, dengan begitu akan lebih terfokus dalam implementasinya.
6. Pemodelan pengguna umum dan spesifik dapat di handle dengan system dan domain aplikasi
Pemodelan dapat dilakukan secara generic tapi tidak bisa menghandle perbedaan, guna menjadi lebih umum digunakalah teknik hybrid.
7. Pendistribusian recommender systems yang beroperasi di jaringan terbuka
Model komputasi dari sebagian terbesar dari RSs menganut arsitektur client-server biasa, hal ini menjadi tantangan bagaimana agar komputasi menjadi lebih effisien.
8. Recommender dapat mengoptimalkan urutan rekomendasi
Meningkatkan kualitas rekomendasi yang diberikan oleh system berdasarkan pendekatan yang lebih sederhana: satu kali permintaan / tanggapan.
9. Recommenders di desain dapat beroperasi pada mobile devices and usage contexts
Sumber :
Recommender Systems Handbook
Francesco Ricci · Lior Rokach · Bracha Shapira ·Paul B. Kantor