Bagaimana cara menggunakan filter kolaboratif berbasis item dalam analisis prediktif - dummies

Salah satu sistem penilaian Amazon untuk analisis prediktif menggunakan penyaringan kolaboratif berbasis item - membagikan persediaan produk yang sangat besar dari basis data perusahaan saat pengguna melihat satu item di situs web. Anda tahu bahwa Anda melihat sistem penyaringan kolaboratif berbasis item (atau sering disebut sistem berbasis konten) jika ini menunjukkan rekomendasi pada tampilan item pertama Anda, bahkan jika Anda belum membuat profil.

Sepertinya sihir, tapi tidak. Meskipun profil Anda belum dibuat (karena Anda belum masuk atau Anda tidak memiliki riwayat browser sebelumnya di situs itu), sistem tersebut memerlukan jumlah tebakan: Ini berdasarkan rekomendasinya pada item itu sendiri dan apa yang dilihat atau dibeli pelanggan lain setelah (atau sebelumnya) mereka membeli item itu. Jadi Anda akan melihat beberapa pesan di layar seperti

• Pelanggan yang membeli item ini juga membeli …

• Pelanggan yang membeli item dalam riwayat terkini Anda juga membeli …

• Barang apa lagi yang dibeli pelanggan setelah melihat item ini?

Intinya, rekomendasinya didasarkan pada seberapa mirip item yang saat ini dilihat dengan item lainnya, berdasarkan tindakan komunitas pengguna.

Berikut ini adalah contoh matriks pelanggan dan item yang mereka beli. Ini akan digunakan sebagai contoh penyaringan kolaboratif berbasis item.

Pelanggan	Item 1	Butir 2	Butir 3	Butir 4	Butir 5	Butir 6
A	X > X	X	B
X	X	C
X			X		D
X			X	X	E
X		X	F
X	X	X		X	G
X	X		H
X > I	X
						Sekarang mari kita lihat kesamaan item yang dihitung dengan menggunakan rumus kesamaan kosinus. Rumus untuk

kemiripan kosinus

adalah (A & middot; B) / (|| A || || B ||), di mana A dan B adalah item yang bisa dibandingkan. Untuk membaca contoh berikut dan mencari tahu seberapa mirip sepasang item, cari saja sel tempat kedua item saling berpotongan. Jumlahnya antara 0 dan 1. Nilai 1 berarti barangnya sangat mirip; 0 berarti mereka tidak serupa. 0. 29

0. 52	0. 82	0	Butir 4	0. 32	0. 35
0. 32	0. 82	0	Butir 3	0. 40		0. 45
0. 32	0. 52	0	Butir 2		0. 67	0. 45
0. 35	0. 29	0		Butir 1	0. 67	0. 40
0. 32	0. Item Item <		Item 2	Item 3	Item 4	Item 5
Butir 6		Sistem dapat memberikan daftar rekomendasi yang berada di atas nilai kesamaan tertentu atau dapat merekomendasikan jumlah item teratas	n	.Dalam skenario ini, Anda dapat mengatakan bahwa setiap nilai yang lebih besar dari atau sama dengan 0,40 sama; sistem akan merekomendasikan item tersebut.	Misalnya, kesamaan antara item 1 dan butir 2 adalah 0. 67. Kesamaan antara item 2 dan item 1 adalah sama. Jadi itu adalah bayangan cermin diagonal dari kiri bawah ke kanan atas. Anda juga dapat melihat item 6 itu tidak sama dengan item lainnya karena memiliki nilai 0.	Penerapan sistem rekomendasi berbasis item ini disederhanakan untuk menggambarkan bagaimana cara kerjanya. Untuk kesederhanaan, hanya gunakan satu kriteria untuk menentukan kesamaan item: apakah pengguna membeli item tersebut. Sistem yang lebih rumit bisa menjadi lebih detail oleh
	Menggunakan profil yang dibuat oleh pengguna yang mewakili selera mereka	Anjak berapa jumlah pengguna suka (atau sangat tinggi) item	Menimbang berapa banyak barang yang dibeli pengguna itu mirip dengan item yang direkomendasikan potensial	Membuat asumsi tentang apakah pengguna menyukai item berdasarkan apakah pengguna hanya melihat barangnya, walaupun tidak ada pembelian yang dilakukan	Berikut adalah dua cara yang umum untuk Anda lakukan. gunakan 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 ini di situs web: Item 3 untuk Pelanggan B Disarankan karena Pelanggan B membeli Item 1 dan 2, dan kedua item tersebut serupa dengan Item 3.

Item 4, lalu Item 2, ke Pelanggan C

Disarankan karena Pelanggan membeli Item 3 dan 5 Item 5 mirip dengan Item 4 (nilai kesamaan: 0. 82). Item 2 mirip dengan Item 3 (nilai kesamaan: 0. 45).

• Item 2 ke Customer D

• Disarankan karena Pelanggan D membeli Item 3, 4, dan 5. Item 3 mirip dengan Item 2.

• Item 1 ke Customer E

• Disarankan karena Pelanggan E membeli Produk 2 dan 3, keduanya sama dengan Item 1.

Item 3 ke Customer F

• Disarankan karena Pelanggan F membeli Item 1, 2, 4, dan 5. Item 1, 2, 4, dan 5. serupa dengan Item 3.

  Item 2 ke Customer G

  • Disarankan karena Pelanggan G membeli Item 1 dan 3. Keduanya mirip dengan Item 2.

    Item 2, lalu Item 3, ke Pelanggan H

  • Disarankan karena Pelanggan H Item yang dibeli 1. Item 1 mirip dengan Item 2 dan 3.

    Item yang belum ditentukan untuk Pelanggan A

  • Idealnya, Anda harus memiliki lebih banyak item dan pengguna. Dan harus ada beberapa barang yang dibeli pelanggan yang serupa dengan barang lain yang belum dibelinya.

    Item yang belum ditentukan untuk Pelanggan I

  • Dalam kasus ini, data tidak mencukupi untuk dijadikan dasar rekomendasi. Ini adalah contoh dari masalah cold-start.

    Online melalui tampilan halaman saat pengguna belum masuk.