Recommender System Using Amazon Reviews

Andreas Malvino Simbolon

Sosial Media


0 orang menyukai ini
Suka

Summary

Di era modern seperti sekarang, kita terlalu banyak dibanjiri oleh data yang menyediakan informasi yang berguna. Namun, bagi pengguna, tidak mungkin untuk mengekstrak informasi yang menarik dari data-data tersebut. Untuk membantu pengguna menemukan informasi tentang produk, sistem rekomendasi dikembangkan.

Sistem rekomendasi menciptakan kemiripan antara pengguna dan barang, dan memanfaatkan kemiripan tersebut untuk memberikan rekomendasi.

Apa yang dapat dipecahkan oleh sistem rekomendasi?
- Dapat membantu pengguna menemukan produk yang tepat.
- Dapat meningkatkan keterlibatan pengguna. Sebagai contoh, terjadi peningkatan klik sebanyak 40% pada Google News berkat rekomendasi.
- Membantu penyedia barang untuk menyampaikan produk kepada pengguna yang tepat. Di Amazon, sebanyak 35% produk terjual berkat rekomendasi.
- Membantu membuat konten menjadi lebih personal. Di Netflix, sebagian besar film yang disewa berasal dari rekomendasi.

Sistem rekomendasi memiliki peran yang sangat penting dalam membantu pengguna menemukan apa yang mereka cari dari beragam informasi yang ada.

Terdapat 6 jenis sistem rekomendasi utama:

  1. Sistem Berbasis Populeritas: Sistem ini bekerja dengan merekomendasikan barang yang paling dilihat dan dibeli oleh banyak orang serta mendapat rating tinggi. Ini bukan rekomendasi yang personal.
  2. Model Berbasis Klasifikasi: Sistem ini bekerja dengan memahami fitur-fitur dari pengguna dan menerapkan algoritma klasifikasi untuk menentukan apakah pengguna tertarik atau tidak pada produk tersebut
  3. Rekomendasi Berbasis Konten: Berdasarkan informasi mengenai konten dari suatu barang daripada opini pengguna. Ide utamanya adalah jika pengguna menyukai suatu barang, maka mereka akan menyukai "barang lain" yang serupa.
  4. Filter Kolaboratif: Berdasarkan asumsi bahwa orang suka hal-hal yang mirip dengan hal-hal lain yang mereka sukai, dan hal-hal yang disukai oleh orang lain dengan selera yang mirip. Terbagi menjadi dua jenis utama: a) Pengguna-Pengguna b) Barang-Barang
  5. Pendekatan Hybrid: Pendekatan sistem ini adalah menggabungkan filter kolaboratif, filter berbasis konten, dan pendekatan lainnya.
  6. Penambangan Aturan Asosiasi: Aturan asosiasi menangkap hubungan antara barang berdasarkan pola-pola kemunculan bersama dalam transaksi.

Description

  1. Import library

2. Memasukkan dataset dan menambahkan header

3. Melihat dimensi dataset

4. Mengambil bagian dari dataset lalu memasukkannya ke variabel electronics_data

5. Melihat struktur dan summary dari dataset

6. Memeriksa apakah terdapat missing value

7. Memeriksa distribusi nilai rating dari visualisasi bar chart

8. Memeriksa total users dan products

9. Menghapus kolom TimeStamp

10. Analisa Rating

Collaberative filtering (Item-Item recommedation)

1. Membuat dataset yang berisi pengguna yang telah memberikan peringkat 50 atau lebih

2. Import library

3. Membuat dataset baru dan melakukan split

4. Menggunakan user_based true/false untuk mengganti user-based atau item-based collaborative filtering

5. Menjalankan model yang dilatih ke dataset

6. Melihat RMSE (Root Mean Square Error)

Model-based collaborative filtering system

1. Membuat dataframe baru

2. Transpose Matrix

3. Memeriksa unique produk pada subset data

4. Index product ID yang dibeli customer

5. Korelasi semua item dengan item yang dibeli oleh pelanggan berdasarkan item yang dinilai oleh pelanggan lain yang membeli produk yang sama

6. Merekomendasikan 25 produk teratas yang berkorelasi tinggi secara berurutan

Informasi Course Terkait
  Kategori: Artificial Intelligence
  Course: Artificial Intelligence