📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenPENGEMBANGAN SISTEM REKOMENDASI FILM BERBASIS PERSONALIZED PAGERANK DENGAN CONSTRAINT OPTIMIZATION PROBLEM UNTUK OPTIMASI DIVERSITY DAN SERENDIPITY
Sistem rekomendasi film berbasis collaborative filtering dan content-based filtering memiliki keterbatasan dalam menghasilkan rekomendasi yang beragam (diversity) dan mengandung unsur kejutan (serendipity). Penelitian ini mengusulkan sistem rekomendasi dua lapis yang mengintegrasikan Personalized PageRank (PPR) pada graf heterogen dengan n tipe simpul sebagai pembangkit kandidat, yang dalam implementasi ini n = 6, dengan Constraint Optimization Problem (COP) sebagai pengoptimasi diversity dan serendipity. Graf dibangun dari dataset MovieLens 25M yang diintegrasikan dengan metadata TMDb. PPR dihitung menggunakan power iteration pada GPU untuk menghasilkan 200 kandidat per pengguna, kemudian COP memilih sepuluh rekomendasi final melalui tiga fase: Greedy Construction, Local Search, dan Maximum Marginal Relevance. Evaluasi pada 137.436 pengguna terjangkau menunjukkan bahwa COP berhasil meningkatkan Intra-List Distance (ILD@10) sebagai ukuran diversity konten antarfilm dalam satu daftar rekomendasi dari 0,7788 menjadi 0,9096 (+16,8%) dan Cakupan Katalog dari 1,61% menjadi 2,40% (+49,1%). Untuk aspek serendipity, persentase item long-tail meningkat 66,7% meskipun skor serendipity kuantitatif mengalami penurunan kecil akibat dominasi bobot relevansi. Normalized Discounted Cumulative Gain (NDCG@10) sebagai ukuran akurasi peringkat rekomendasi mengalami penurunan dari 0,1038 menjadi 0,0659, sesuai dengan accuracy-diversity dilemma yang diakui literatur.
PENGEMBANGAN SISTEM REKOMENDASI FILM BERBASIS PERSONALIZED PAGERANK DENGAN CONSTRAINT OPTIMIZATION PROBLEM UNTUK OPTIMASI DIVERSITY DAN SERENDIPITY
Sistem rekomendasi film berbasis collaborative filtering dan content-based filtering memiliki keterbatasan dalam menghasilkan rekomendasi yang beragam (diversity) dan mengandung unsur kejutan (serendipity). Penelitian ini mengusulkan sistem rekomendasi dua lapis yang mengintegrasikan Personalized PageRank (PPR) pada graf heterogen dengan n tipe simpul sebagai pembangkit kandidat, yang dalam implementasi ini n = 6, dengan Constraint Optimization Problem (COP) sebagai pengoptimasi diversity dan serendipity. Graf dibangun dari dataset MovieLens 25M yang diintegrasikan dengan metadata TMDb. PPR dihitung menggunakan power iteration pada GPU untuk menghasilkan 200 kandidat per pengguna, kemudian COP memilih sepuluh rekomendasi final melalui tiga fase: Greedy Construction, Local Search, dan Maximum Marginal Relevance. Evaluasi pada 137.436 pengguna terjangkau menunjukkan bahwa COP berhasil meningkatkan Intra-List Distance (ILD@10) sebagai ukuran diversity konten antarfilm dalam satu daftar rekomendasi dari 0,7788 menjadi 0,9096 (+16,8%) dan Cakupan Katalog dari 1,61% menjadi 2,40% (+49,1%). Untuk aspek serendipity, persentase item long-tail meningkat 66,7% meskipun skor serendipity kuantitatif mengalami penurunan kecil akibat dominasi bobot relevansi. Normalized Discounted Cumulative Gain (NDCG@10) sebagai ukuran akurasi peringkat rekomendasi mengalami penurunan dari 0,1038 menjadi 0,0659, sesuai dengan accuracy-diversity dilemma yang diakui literatur.
PENERAPAN RESTRICTED BOLTZMANN MACHINE PADA SISTEM REKOMENDASI FILM
Dalam beberapa tahun terakhir, sistem rekomendasi telah menjadi cara yang penting untuk membantu pengguna dalam menavigasi semua informasi dan produk yang tersedia di internet. Di antara berbagai teknik yang dapat digunakan dalam sistem rekomendasi, Restricted Boltzmann Machines (RBM) telah menjadi salah satu pendekatan yang populer karena kemampuannya menangkap pola rumit dalam data dengan dimensi tinggi. Restricted Boltzmann Machines (RBM) merupakan suatu neural network stokastik yang bersifat generatif yang bisa mempelajari distribusi probabilitas atas kumpulan inputnya. Dalam konteks sistem rekomendasi, RBM unggul dalam menggunakan interaksi item dan pengguna dalam kumpulan data, sehingga memungkinkan mereka membuat prediksi akurat dan menghasilkan rekomendasi yang dipersonalisasi. Tidak seperti pendekatan rekomendasi tradisional yang mengandalkan penilaian item pengguna secara eksplisit, RBM dapat secara efektif menangani feedback implisit, sehingga cocok untuk diguankan dalam berbagai macam hal di dunia nyata. Penggunaan RBM untuk rekomendasi film sangat populer di situs-situs seperti letterboxd, suatu situs yang memungkinkan pengguna untuk memberi rating berbagai film, untuk mengarsipkan film yang telah ditonton. RBM dapat digunakan untuk membantu pengguna di situs web seperti letterboxd, untuk melihat film-film baru yang belum mereka beri rating. Dengan menggunakan collaborative filtering sebagai metode untuk menerapkan rekomendasi film, RBM dapat digunakan secara efisien untuk memprediksi rating berdasarkan film yang telah ditonton dan diulas pengguna.