Dasar-dasar Filter Prediktif Berbasis Data - dummies

Sistem pengkajian analisis prediktif berbasis konten kebanyakan sesuai dengan fitur (kata kunci yang ditandai) di antara item yang serupa dan profil pengguna untuk membuat rekomendasi. Saat pengguna membeli item yang memiliki fitur tag, item dengan fitur yang sesuai dengan item asli akan direkomendasikan. Semakin banyak fitur yang cocok, semakin tinggi probabilitas pengguna akan menyukai rekomendasinya. Tingkat probabilitas ini disebut presisi .

Dasar-dasar tag untuk menggambarkan item

Secara umum, perusahaan yang melakukan penjualan (atau produsen) biasanya menandai itemnya dengan kata kunci. Di situs Amazon, bagaimanapun, cukup khas untuk tidak melihat tag untuk item yang dibeli atau dilihat - dan bahkan tidak diminta untuk memberi tag item. Pelanggan dapat meninjau item yang telah mereka beli, namun itu tidak sama dengan pemberian tag.

Tagging item dapat mengajukan tantangan skala untuk sebuah toko seperti Amazon yang memiliki begitu banyak item. Selain itu, beberapa atribut dapat subjektif dan mungkin salah ditandai, tergantung pada siapa yang menandainya. Salah satu solusi yang memecahkan masalah penskalaan adalah memungkinkan pelanggan atau masyarakat umum menandai item.

Agar tag tetap dikelola dan akurat, tag yang dapat diterima mungkin disediakan oleh situs web. Hanya bila jumlah pengguna yang sesuai setuju (artinya, gunakan tag yang sama untuk menggambarkan item), akankah tag yang disepakati digunakan untuk menjelaskan item tersebut.

Penandaan berbasis pengguna, bagaimanapun, menimbulkan masalah lain untuk sistem penyaringan berbasis konten (dan penyaringan kolaboratif):

Kredibilitas:

Tidak semua pelanggan mengatakan yang sebenarnya (terutama secara online), dan pengguna yang memiliki hanya sebuah riwayat pemeringkatan kecil yang bisa memangkas data. Selain itu, beberapa vendor mungkin memberi (atau mendorong orang lain memberi) penilaian positif terhadap produk mereka sendiri sambil memberikan penilaian negatif terhadap produk pesaing mereka.

Sparsity:
Tidak semua item akan dinilai atau akan memiliki rating yang cukup untuk menghasilkan data yang bermanfaat. Inkonsistensi:
Tidak semua pengguna menggunakan kata kunci yang sama untuk memberi tag item, meskipun artinya mungkin sama. Selain itu, beberapa atribut bisa subjektif. Misalnya, satu penampil film mungkin menganggapnya singkat sementara yang lain mengatakannya terlalu lama. Atribut membutuhkan definisi yang jelas. Atribut dengan batasan terlalu sedikit sulit untuk dievaluasi; Terlalu banyak aturan tentang atribut mungkin meminta pengguna melakukan terlalu banyak pekerjaan, yang akan membuat mereka enggan memberi tag item.

Menandai sebagian besar barang dalam katalog produk dapat membantu mengatasi masalah cold-start yang mengganggu penyaringan kolaboratif.Untuk sementara, bagaimanapun, ketepatan rekomendasi sistem akan rendah sampai menciptakan atau memperoleh profil pengguna.

Berikut adalah contoh matriks pelanggan dan item yang mereka beli, menunjukkan contoh penyaringan berbasis konten.

Item

Fitur 1	Fitur 2	Fitur 3	Fitur 4
X	X	Butir 2
X	X	Item 3
X	X	X	Butir 4
X	X	X	Butir 5
X > X	X	Di sini, jika pengguna menyukai Fitur 2 - dan itu dicatat di profilnya - sistem akan merekomendasikan semua item yang memiliki Fitur 2 di dalamnya: Item 1, Butir 2, dan Item 4. > Pendekatan ini bekerja bahkan jika pengguna tidak pernah membeli atau meninjau item. Sistem hanya akan melihat database produk untuk item yang telah ditandai dengan Fitur 2. Jika (misalnya) pengguna yang mencari film dengan Audrey Hepburn - dan preferensi itu muncul di profil pengguna - sistem akan merekomendasikan semua film yang menampilkan Audrey Hepburn untuk pengguna ini.	Contoh ini, bagaimanapun, dengan cepat memperlihatkan keterbatasan teknik penyaringan berbasis konten: Pengguna mungkin sudah mengetahui tentang semua film yang pernah ada di Audrey Hepburn, atau dapat dengan mudah ditemukan - jadi, dari sudut pandang pengguna tersebut, sistem belum merekomendasikan sesuatu yang baru atau bernilai.

Cara meningkatkan ketepatan dengan umpan balik konstan

Salah satu cara untuk memperbaiki ketepatan rekomendasi sistem adalah dengan meminta umpan balik kepada pelanggan bila memungkinkan. Mengumpulkan umpan balik pelanggan dapat dilakukan dengan berbagai cara, melalui banyak saluran. Beberapa perusahaan meminta pelanggan untuk menilai item atau layanan setelah pembelian. Sistem lain menyediakan link sosial-media sehingga konsumen dapat "menyukai" atau "tidak menyukai" suatu produk. Interaksi konstan antara

Bagaimana mengukur keefektifan rekomendasi sistem

Keberhasilan rekomendasi sistem bergantung pada seberapa baik kriteria tersebut memenuhi dua kriteria: ketepatan ((menganggapnya sebagai rangkaian pertandingan yang sempurna - biasanya satu set kecil) dan

ingat

(anggap itu sebagai sekumpulan pertandingan yang mungkin - biasanya yang lebih besar). Inilah yang terlihat lebih dekat:

Presisi mengukur seberapa akurat rekomendasi sistem itu. Presisi sulit diukur karena bisa subjektif dan sulit dihitung. Misalnya, ketika pengguna pertama kali mengunjungi situs Amazon, dapatkah Amazon tahu pasti apakah rekomendasinya tepat sasaran? Beberapa rekomendasi dapat berhubungan dengan kepentingan pelanggan namun pelanggan tetap tidak dapat membeli. Keyakinan tertinggi bahwa sebuah rekomendasi tepat berasal dari bukti yang jelas: Pelanggan membeli barang tersebut. Sebagai alternatif, sistem secara eksplisit dapat meminta pengguna untuk menilai rekomendasinya. Ingat mengukur sekumpulan rekomendasi bagus yang mungkin muncul pada sistem Anda. Pikirkan ingat sebagai inventarisasi kemungkinan rekomendasi, namun tidak semuanya merupakan rekomendasi sempurna. Umumnya ada hubungan terbalik dengan presisi dan daya ingat. Artinya, saat recall naik, presisi turun, dan sebaliknya.

Sistem yang ideal akan memiliki presisi tinggi dan daya ingat tinggi. Tapi secara realistis, hasil terbaiknya adalah membuat keseimbangan antara keduanya. Menekankan presisi atau daya ingat benar-benar tergantung pada masalah yang ingin Anda selesaikan.