Sistem Pemberi Rekomendasi dan Konten
Sistem pemberi rekomendasi menyarankan item yang kemungkinan menarik bagi pengguna, menyediakan akses informasi yang dipersonalisasi yang melengkapi pencarian berbasis kueri.
Definition
Sistem pemberi rekomendasi memprediksi preferensi pengguna terhadap item dan menyajikan serangkaian saran yang telah diberi peringkat, menggunakan bukti seperti konten item, perilaku pengguna di masa lalu, dan perilaku pengguna lain, untuk mendukung akses informasi yang dipersonalisasi tanpa memerlukan kueri eksplisit.
Scope
Area ini mencakup sistem yang secara proaktif merekomendasikan item kepada pengguna: rekomendasi berbasis konten yang mencocokkan item dengan profil pengguna, penyaringan kolaboratif yang memanfaatkan pola di seluruh pengguna dan item, metode hibrida dan sadar konteks yang menggabungkan sinyal dan beradaptasi dengan situasi, serta evaluasi rekomendasi. Ini memperlakukan rekomendasi sebagai cabang akses informasi yang berorientasi personalisasi yang terkait erat dengan pengambilan, berbagi representasi dan ide evaluasi sambil mengatasi masalah berbeda dalam menyarankan item tanpa kueri eksplisit.
Sub-topics
Core questions
- Bagaimana preferensi pengguna disimpulkan dari peringkat eksplisit dan perilaku implisit?
- Bagaimana rekomendasi berbasis konten berbeda dari penyaringan kolaboratif?
- Bagaimana metode kolaboratif memanfaatkan pola di banyak pengguna dan item?
- Bagaimana sinyal konten, perilaku, dan kontekstual digabungkan?
- Bagaimana kualitas rekomendasi diukur di luar akurasi prediktif?
Key concepts
- profil pengguna dan item
- umpan balik eksplisit dan implisit
- rekomendasi berbasis konten
- penyaringan kolaboratif
- faktorisasi matriks / faktor laten
- masalah cold-start
- rekomendasi sadar konteks
- peringkat dan keragaman rekomendasi
Key theories
- Penyaringan berbasis konten versus kolaboratif
- Metode berbasis konten merekomendasikan item yang mirip dengan yang disukai pengguna menggunakan fitur item, sedangkan penyaringan kolaboratif merekomendasikan item yang disukai pengguna serupa menggunakan matriks interaksi pengguna-item, masing-masing dengan kekuatan dan kelemahan yang saling melengkapi.
- Faktorisasi matriks dan model faktor laten
- Penyaringan kolaboratif dapat dianggap sebagai faktorisasi matriks peringkat pengguna-item yang jarang menjadi faktor pengguna dan item berdimensi rendah, yang hasil kali titiknya memprediksi preferensi, sebuah teknik yang menjadi inti rekomendasi modern.
Clinical relevance
Sistem pemberi rekomendasi merupakan inti dari e-commerce, media streaming, berita, platform sosial, dan periklanan daring, membentuk sebagian besar apa yang ditemui pengguna secara daring. Mereka berbagi representasi, peringkat, dan metode evaluasi dengan pengambilan, dan kekhawatiran seperti keragaman, keadilan, dan gelembung filter membuat desainnya menjadi konsekuensial.
History
Sistem pemberi rekomendasi muncul pada pertengahan 1990-an dengan sistem penyaringan kolaboratif awal seperti GroupLens. Kompetisi Netflix Prize (2006-2009) mendorong kemajuan besar dalam metode faktorisasi matriks, dan bidang ini berkembang menjadi disiplin ilmu yang luas yang mencakup pendekatan berbasis konten, kolaboratif, hibrida, dan sadar konteks, yang dikonsolidasikan dalam buku pegangan dan buku teks komprehensif.
Key figures
- Joseph Konstan
- John Riedl
- Gediminas Adomavicius
- Charu Aggarwal
- Francesco Ricci
Related topics
Seminal works
- ricci2015
- adomavicius2005
- ekstrand2011
Frequently asked questions
- Bagaimana rekomendasi berbeda dari pencarian?
- Pencarian menanggapi kueri eksplisit yang menyatakan kebutuhan langsung, sementara rekomendasi secara proaktif menyarankan item berdasarkan preferensi dan konteks pengguna yang disimpulkan, seringkali tanpa kueri apa pun. Keduanya berbagi representasi dan mekanisme peringkat tetapi memecahkan masalah akses informasi yang berbeda.
- Apa itu masalah cold-start?
- Cold start adalah kesulitan merekomendasikan untuk pengguna baru atau item baru dengan sedikit atau tanpa riwayat interaksi. Tanpa peringkat atau perilaku untuk dipelajari, metode kolaboratif mengalami kesulitan, itulah sebabnya fitur berbasis konten dan pendekatan hibrida sering digunakan untuk menjembatani kesenjangan.