Sistem Rekomendasi Neural Collaborative Filtering

Neural Collaborative menggunakan representasi multi-layer dari interaksi user dengan item yang dilambangkan dengan y_ui. Data berita yang digunakan adalah data implisit dari interaksi pembaca berita dan pengguna berita. Jadi matriks interaksi pengguna-item memiliki nilai seperti pada persamaan (1) berikut,

Nilai satu dari y_ui berarti adanya interaksi antara user dengan item, akan tetapi bukan berarti user u menyukai item i. Begitu juga nilai dari 0 bukan berarti user u tidak menyukai item i karena bisa berarti user tidak menyadari keberadaan item i dan berinteraksi dengan item.

Gambar 1 Neural collaborative framework

Pada Gambar 1 dapat dilihat output dari satu layer akan menjadi input dari layer berikutnya. Pada neural collaborative filtering menggunakan dua fitur latent vector yaitu user latent vector dan item latent vector, transformasi dapat dilakukan dengan membuatnya menjadi binary sparse vector dengan one hot encoding yang direpresentasikan dalam variable  dan  dimana u adalah user dan i adalah item.

Gambar 1 menunjukkan framework dari neural collaborative, dapat dilihat input layer adalah embedding layer. User embedding dan item embedding dimasukkan ke dalam multi-layer neural architecture dinamakan collaborative filtering layer ke map latent vector untuk memproduksi nilai prediksi dari hasil. Setiap layer pada neural collaborative filtering dapat dikustomisasi untuk mencari latent structure dari interaksi user dan item. Dimensi terakhir yang menentukan model capability yang disimbolkan dengan y_ui dengan minimalkan pointwise loss dari ŷ_ui dengan target value y_ui.

Disadur dari :

Budi Juarto, Abba Suganda Girsang, Hybrid Recommender System: Neural Collaborative Dan Sentence Bert Untuk Sistem Rekomendasi Berita. Tesis, Universitas Bina Nusantara, Jakarta. 2021