Penyaringan Kolaborasi Item-Item vs Analisis Keranjang Pasar
Jawaban:
@Antimony memberikan jawaban yang sempurna. Hanya ingin menambahkan beberapa teori yang membantu saya memahami perbedaan antara Penyaringan Kolaboratif Item-Item dan Analisis Keranjang Pasar; serta aplikasi untuk dua metode ini.
Keluarga algoritma yang digunakan untuk melakukan analisis keranjang pasar disebut aturan asosiasi. Analisis keranjang pasar (atau aturan asosiasi) dan jawaban penyaringan kolaboratif pada dasarnya berbeda pertanyaan. Pemfilteran kolaboratif dapat menjawab pertanyaan, “Barang apa yang disukai pengguna dengan minat serupa dengan Anda?” (Gbr. 1), sedangkan aturan asosiasi menjawab pertanyaan, “Item apa yang sering muncul bersama?” Jawaban untuk pertanyaan pertama dapat digunakan untuk merekomendasikan Anda produk, video, restoran, hotel atau konten lain yang belum pernah Anda lihat sebelumnya tetapi telah dinilai oleh sekelompok pengguna lain dengan minat yang serupa dengan Anda. Kesamaan minat dapat diperkirakan dari indikator eksplisit, misalnya, Anda dan sekelompok pengguna lain memberikan peringkat yang sama untuk produk yang sama, atau indikator implisit, misalnya, Anda dan mereka membeli produk yang sama. Penyaringan kolaboratif sangat luasdigunakan untuk membangun sistem rekomendasi . Namun, pemfilteran kolaboratif paling efektif bila ada riwayat kaya preferensi atau perilaku pengguna. Sementara itu, aturan asosiasi dapat merekomendasikan Anda produk yang kemungkinan besar akan Anda beli berdasarkan serangkaian produk yang saat ini ada di keranjang Anda (Gbr. 2). Misalnya, jika Anda membeli burger dan kentang goreng, Anda mungkin ingin soda; atau contoh yang sangat terkenal, mereka yang membeli popok juga cenderung membeli bir. Aturan asosiasi tidak tergantung pada profil preferensi pribadi dan untuk menambangnya Anda memerlukan kumpulan data transaksi dari semua pengguna. Aturan asosiasi dan analisis keranjang pasar umumnya digunakan sebagai alat eksplorasi untuk menambang sejumlah aturan paling umum yang kemudian dapat dianalisis oleh manusia. Namun, aturan asosiasi juga dapat digunakan untuk membangun sistem rekomendasi .
Gambar 1. Ilustrasi pemfilteran kolaboratif. Sumber - Wikipedia
Gambar 2. Ilustrasi sederhana aturan asosiasi.
Pertanyaan yang sangat bagus! Satu perbedaan sepele yang dapat saya pikirkan, adalah bahwa analisis keranjang pasar (MB) mempertimbangkan setiap keranjang secara terpisah. Jadi, jika Anda membeli barang yang sama satu kali sebulan, setiap kali keranjangnya berbeda, dan itu kemungkinan juga mengandung barang yang berbeda setiap kali. Namun pemfilteran kolaboratif (CF) mempertimbangkan keranjang yang dikumpulkan per pengguna. Jadi, tidak peduli berapa kali Anda membeli bir dan popok bersama, itu tetap dianggap sebagai satu suara untuk bir dan satu suara untuk popok.
Perbedaan lainnya lebih teknis, seperti apa yang Anda ukur untuk masing-masing. Di MB Anda peduli tentang nilai-nilai dukungan dan kepercayaan diri dan dalam CF, Anda peduli tentang ukuran kesamaan seperti kesamaan cosinus. Ini adalah ukuran simetris. Kesamaan antara bir dan popok sama dengan kesamaan antara popok dan bir, tetapi itu tidak berlaku untuk dukungan / kepercayaan diri.
Pada level konseptual, CF mungkin menghasilkan lebih banyak kesamaan tidak langsung seperti jika Anda membeli item 1, dan menemukan bahwa item 2 dibeli bersamaan dengannya, dan juga item 3 dan 4 mirip dengan item 2. Maka itu dapat merekomendasikan mereka bahkan jika mereka tidak dibeli bersama dengan item 1, tetapi juga dengan item 2.