Dasar-dasar Filter Kolaboratif Berbasis-Pengguna dalam Analisis Prediktif - dummies

Dengan pendekatan berbasis pengguna untuk penyaringan kolaboratif dalam analisis prediktif, sistem dapat menghitung kesamaan antara pasangan pengguna dengan menggunakan rumus kesamaan kosinus, teknik seperti pendekatan berbasis item. Biasanya perhitungan seperti itu membutuhkan waktu lebih lama untuk dilakukan, dan mungkin perlu dihitung lebih sering, daripada yang digunakan dalam pendekatan berbasis item. Itu karena

Anda memiliki lebih banyak pengguna daripada item (idealnya juga).
Anda akan mengharapkan barang berubah lebih jarang daripada pengguna.
Dengan lebih banyak pengguna dan sedikit perubahan pada item yang ditawarkan, Anda dapat menggunakan lebih banyak atribut daripada membeli riwayat saat menghitung kesamaan pengguna.

Sistem berbasis pengguna juga dapat menggunakan algoritma pembelajaran mesin untuk mengelompokkan semua pengguna yang telah menunjukkan bahwa mereka memiliki selera yang sama. Sistem ini membangun lingkungan pengguna yang memiliki profil, pola pembelian, atau pola penilaian yang serupa. Jika seseorang di lingkungan membeli dan menyukai barang, sistem recommender dapat merekomendasikan barang itu kepada orang lain di lingkungan sekitar.

Seperti penyaringan kolaboratif berbasis item, pendekatan berbasis pengguna memerlukan data yang cukup pada setiap pengguna agar efektif. Sebelum sistem dapat membuat rekomendasi, ia harus membuat profil pengguna - sehingga juga mengharuskan pengguna membuat akun dan masuk (atau menyimpan informasi sesi di browser melalui cookies) saat melihat situs web. Awalnya sistem dapat meminta pengguna secara eksplisit untuk membuat profil, menyempurnakan profil dengan mengajukan pertanyaan, lalu mengoptimalkan sarannya setelah data pembelian pengguna terakumulasi.

Netflix adalah contoh untuk membangun profil dengan cepat untuk setiap pelanggan. Inilah prosedur umumnya:

Netflix mengundang pelanggannya untuk menyiapkan antrian film yang ingin mereka tonton.

Film yang dipilih dianalisis untuk mengetahui selera pelanggan dalam film.
Model prediktif merekomendasikan lebih banyak film agar pelanggan bisa menonton, berdasarkan film yang sudah ada dalam antrian.
Contoh matriks pelanggan dan item yang mereka beli - adalah contoh penyaringan kolaboratif berbasis pengguna. Untuk kesederhanaan, gunakan aturan bahwa lingkungan pengguna dibuat dari pengguna yang membeli setidaknya dua kesamaan.

Pelanggan

Item 1	Butir 2	Butir 3	Butir 4	Butir 5
X	X > X	B - N1	X
X	C - N2	X
X	D - N2	X
X	X > E - N1	X	X
F - N1	X	X
X	X	G - N1	X	X > Ada tiga lingkungan pengguna yang terbentuk: N1, N2, dan N3.Setiap pengguna di lingkungan N1 dan N2 telah membeli setidaknya 2 item yang sama dengan orang lain di lingkungan yang sama. N3 adalah pengguna yang belum memenuhi kriteria dan tidak akan menerima rekomendasi sampai mereka membeli barang lain untuk memenuhi kriteria.
Berikut adalah contoh bagaimana Anda dapat menggunakan sistem recommender ini:	Offline	melalui kampanye pemasaran e-mail atau jika pengguna berada di situs web saat masuk. Sistem dapat mengirim iklan pemasaran atau membuat rekomendasi di situs web sebagai berikut:
Butir 3 ke Pelanggan B	Butir 4 ke Pelanggan C
Butir 1 ke Pelanggan E	Butir 3 ke Pelanggan F

Butir 2 ke Pelanggan G

Belum ditentukan item untuk Pelanggan A dan D

Idealnya Anda harus memiliki barang lebih banyak dari enam. Dan harus selalu ada beberapa item di lingkungan pelanggan yang belum dibeli pelanggan. Item yang belum ditentukan untuk Pelanggan H dan I

Dalam kasus ini, data tidak mencukupi untuk dijadikan dasar rekomendasi.
Salah satu perbedaan yang sangat penting adalah karena setiap pelanggan termasuk dalam kelompok, pembelian di masa depan yang dibuat oleh anggota akan direkomendasikan ke anggota grup yang lain sampai filter dilatih ulang. Jadi pelanggan A dan D akan mulai mendapatkan rekomendasi dengan sangat cepat karena mereka sudah termasuk dalam lingkungan sekitar dan tentunya tetangga lain akan segera membeli sesuatu.
Misalnya: jika Pelanggan B membeli Item 6, maka sistem recommender akan merekomendasikan item 6 kepada semua orang di N1 (Pelanggan A, B, E, F dan G).
Pelanggan F dapat berpotensi termasuk dalam lingkungan N1 atau N2, tergantung bagaimana algoritma penyaringan kolaboratif diimplementasikan.
Pelanggan H dan saya memberikan contoh masalah cold-start
:

Pelanggan tidak menghasilkan cukup data untuk dikelompokkan ke lingkungan pengguna. Dengan tidak adanya profil pengguna, pelanggan baru dengan riwayat pembelian yang sangat sedikit atau tidak ada - atau siapa yang hanya membeli barang-barang yang tidak jelas - akan selalu menimbulkan masalah cold-start pada sistem, terlepas dari pendekatan penyaringan kolaboratif yang digunakan.
Pelanggan Saya menggambarkan aspek masalah cold-start yang unik untuk pendekatan berbasis pengguna. Pendekatan berbasis item akan mulai menemukan item lain yang serupa dengan barang yang dibeli pelanggan; Kemudian, jika pengguna lain mulai membeli Item 6, sistem bisa mulai membuat rekomendasi.

Tidak ada pembelian lebih lanjut yang perlu dilakukan oleh pengguna; pendekatan berbasis item bisa mulai merekomendasikan. Namun, dalam sistem berbasis pengguna, Pelanggan Saya harus melakukan pembelian tambahan agar bisa masuk ke lingkungan pengguna; sistem belum bisa membuat rekomendasi.

Oke, ada asumsi di tempat kerja dalam contoh sederhana ini - yaitu, bahwa pelanggan tidak hanya membeli barang itu tapi juga cukup menyukainya untuk melakukan pembelian serupa. Bagaimana jika pelanggan tidak menyukai barangnya? Sistem ini membutuhkan, paling tidak, untuk menghasilkan ketepatan yang lebih baik dalam rekomendasinya.

Anda dapat menambahkan kriteria ke sistem recommender untuk mengelompokkan orang yang memberikan penilaian serupa pada item yang mereka beli.Jika sistem menemukan pelanggan yang menyukai dan tidak menyukai barang yang sama, maka asumsi presisi tinggi itu valid. Dengan kata lain, ada kemungkinan tinggi bahwa pelanggan memiliki selera yang sama.