Neural Network Pada Sistem Rekomendasi Dengan Neural Collaborative Filtering

Nama: Herdantio Sindhunata – 2201917252

Perkembangan internet mendorong laju perkembangan servis daring  yang dapat diakses masyarakat luas dengan mudah, seperti e-commerce, layanan langganan music, dan media sosial.  Perkembangan ini juga diikuti berkembangnya data yang dihasilkan dari kegiatan pengguna. Data-data tersebut dinilai sangat berharga karena setelah diolah, dapat ditarik sebuah pola yang dilakukan pengguna dan hal ini dapat mendorong laju bisnis. Karena pola ini dapat diprediksi maka muncullah kecerdasan buatan yang disebut sistem rekomendasi.

Secara sederhana, cara kerja sistem rekomendasi ini terbagi dari 2 mekanisme. Yang pertama, sistem merekomendasikan barang atau film kepada pengguna berdasarkan barang yang pernah ia gunakan atau beli sebelumnya. Implementasi sistem ini yaitu dengan menggunakan weighted rating atau matrix factorization. Yang kedua, sistem merekomendasikan barang berdasarkan kemiripan terhadap barang lainnya seperti kemiripan tipe barang. Penerapan tipe ini dapat dilakukan dengan menggunakan similarity function. Namun sistem rekomendasi sederhana tersebut memiliki beberapa kelemahan, salah satunya adalah kondisi saat pengguna belum pernah melakukan pembelian barang sama sekali atau disebut cold-start.

Untuk mengatasi kelemahan-kelemahan tersebut, maka diciptakanlah sistem rekomendasi baru disebut neural collaborative filtering. Sistem ini diimplementasikan menggunakan deep neural network yang terdiri dari layer input, layer embedding, layer collaborative filtering, dan layer output. Kombinasi tiap layer ini merepresentasikan framework neural collaborative filtering sederhana seperti pada gambar 1. Vektor pengguna (u) dan barang (i) merepresentasikan tiap interaksi tiap pengguna dan barang. Vektor u dan I merupakan representasi vektor input yang generic sehingga dapat vektor u dapat diganti dengan vektor fitur jika belum pernah ada pengguna yang melakukan interaksi dengan barang. Hal ini juga mengatasi kekurangan pada system rekomendasi sebelumnya yaitu masalah cold-start.

                                                                                             
Gambar 1.

Framework neural collaborative filtering pada gambar 1 dapat dijabarkan Kembali menjadi neural matrix factorization karena neural collaborative filtering hanya framework secara umum saja, yaitu menggabungkan generalized matrix factorization (GMF) dengan multiple layered perceptron (MLP) pada gambar 2.

                                                                                                Gambar 2.

                                                                                               Gambar 3.

Untuk komparasi peforma dapat dilihat, bahwa neural matrix factorization memiliki prediksi yang lebih tepat dibandingkan dengan system rekomendasi lainnya berdasarkan gambar 3. Dapat ditarik kemsimpulan bahwa penggunaan deep neural network pada system rekomendasi dapat meningkatkan akurasi model neural matrix factorization.

Referensi

He, Xiangnan, Lizi Liao, and Hanwang Zhang. 2017. “Neural Collaborative Filtering.” Proceedings of the 26th International Conference on World Wide Web.

Hu, Yifan, Chris Volinsky, and Yehuda Koren. 2008. “Collaborative Filtering for Implicit Feedback Datasets.” Proceedings – IEEE International Conference on Data Mining, ICDM: 263–72.