Catatan blog ini menerangkan konsep asas sistem cadangan, dengan memberi tumpuan kepada prinsip dan contoh aplikasi cadangan kolaboratif.
Gambaran Keseluruhan Sistem Cadangan dan Perlombongan Data
Anda mungkin ingat pernah melihat frasa seperti “Pelanggan yang membeli barang ini juga membeli” di kedai buku dalam talian AS amazon.com. Ini adalah perkhidmatan yang mencadangkan kepada pengguna semasa mereka membeli-belah, “Bagaimana dengan buku ini?” Selain itu, apabila pengguna memasukkan istilah carian secara salah di laman portal, sesetengah enjin carian akan membetulkan kesalahan taip secara automatik supaya pengguna dapat mencari istilah carian yang mereka inginkan pada asalnya. Akhirnya, komputerlah yang memainkan peranan mengesyorkan produk dan membetulkan perkataan yang salah eja.
Sistem pengesyorkan merupakan subbidang perlombongan data, salah satu bidang penyelidikan utama dalam sains komputer. Istilah "perlombongan data"—gabungan "data" (bermaksud maklumat) dan "lombong" (merujuk kepada pengekstrakan mineral daripada lombong)—merujuk kepada proses menemui model data baharu yang sebelum ini tidak diketahui daripada data yang diberikan, mengekstrak maklumat yang boleh diambil tindakan untuk masa hadapan dan menggunakan maklumat tersebut untuk memaklumkan proses membuat keputusan.
Tujuan sistem cadangan adalah untuk meramalkan tingkah laku pengguna berdasarkan data sedia ada dan, dengan itu, mengekstrak dan memberikan maklumat yang bermakna. Jadi, bagaimana ramalan sedemikian boleh dibuat? Pendekatan asas dan perwakilan untuk sistem cadangan termasuk cadangan kolaboratif, cadangan berasaskan kandungan dan cadangan berasaskan pengetahuan. Dalam artikel ini, kita akan mengkaji apakah cadangan kolaboratif dan bagaimana ia berfungsi.
Prinsip dan Contoh Cadangan Kolaboratif
Katakan seorang kerani di sebuah kedai buku besar diminta oleh pelanggan untuk mengesyorkan sebuah buku baharu, dengan memetik Buku A sebagai buku yang mereka dapati sangat diingati. Kerani tersebut boleh memeriksa tingkah laku pelanggan lain yang membeli Buku A yang sama. Jika, setelah menyemak rekod jualan, kerani tersebut mendapati bahawa kebanyakan pelanggan yang sebelum ini membeli Buku A kemudiannya membeli Buku B, kerani tersebut boleh mengesyorkan Buku B kepada pelanggan semasa. Ini adalah contoh klasik cadangan kolaboratif.
Cadangan kolaboratif ialah kaedah yang menghubungkan pengguna yang pernah berkelakuan serupa pada masa lalu melalui hubungan "kolaboratif" dan menggunakan maklumat tersebut untuk meramalkan tindakan atau pilihan pengguna seterusnya. Salah satu ciri utama penapisan kolaboratif ialah ia boleh meramalkan hasil berdasarkan semata-mata corak tingkah laku pengguna yang lalu dalam rangkaian kolaboratif, walaupun tanpa maklumat tentang item sasaran. Oleh itu, kerani yang dinyatakan di atas boleh mengesyorkan Buku B walaupun tanpa mengetahui secara khusus apakah Buku A itu.
Salah satu proses teras dalam penapisan kolaboratif ialah mewujudkan rangkaian kolaboratif. Dari perspektif sains komputer, ini melibatkan pengukuran persamaan antara pengguna yang telah menunjukkan tingkah laku yang serupa pada masa lalu untuk menentukan tahap persamaan. Satu kaedah asas adalah dengan menggunakan pekali korelasi Pearson.
Pekali korelasi Pearson ialah metrik yang menunjukkan persamaan pilihan antara dua pengguna, dengan nilai antara -1 (korelasi negatif yang kuat) hingga 1 (korelasi positif yang kuat). Katakan P ialah satu set item tertentu, r_i,j ialah penilaian yang diberikan oleh pengguna i untuk item j, dan r̄_a ialah penilaian purata pengguna a. Kemudian, persamaan sim(a, b) antara pengguna a dan b boleh dikira menggunakan pekali korelasi Pearson. (Teks asal termasuk formula dan contoh jadual penilaian pengguna, tetapi di sini kami menyediakan penjelasan konseptual.)
Katakan, dalam contoh jadual penilaian pengguna, persamaan antara Alice dan User1, yang dikira menggunakan pekali korelasi Pearson, ialah 0.85. Oleh kerana 0.85 hampir dengan 1, kita boleh membuat kesimpulan bahawa penilaian Alice dan User1 berkorelasi positif, dan ini boleh dianggap sebagai hubungan kolaboratif.
Jika terdapat metrik yang menunjukkan persamaan penilaian pengguna, ia boleh digunakan untuk meramalkan penilaian pengguna tertentu untuk sesuatu item. Pertama, katakan N (jiran) menandakan set pengguna lain yang pekali korelasi Pearsonnya dengan pengguna tertentu memenuhi ambang (ditentukan secara sewenang-wenangnya). Secara konseptual, penilaian yang diramalkan pred(a, p) untuk item p oleh pengguna a dikira dengan mengambil purata berwajaran penilaian dan persamaan jiran-jiran ini.
Contohnya, dalam jadual di atas, jika Pengguna1 dan Pengguna2—yang masing-masing mempunyai pekali korelasi Pearson 0.85 dan 0.7—ditetapkan sebagai jiran Alice, penilaian Alice untuk Item5 boleh diramalkan dengan mencerminkan persamaan dengan penilaian kedua-dua jiran ini.
Sains komputer telah berkembang untuk mengejar kemudahan manusia, dan sistem cadangan—sebagai sebahagian daripada pencapaian penyelidikan ini—memberikan kemudahan kepada manusia moden tanpa mereka sedari. Orang ramai cenderung untuk merujuk pendapat orang lain semasa membuat pilihan; manakala pada masa lalu proses ini perlu dilakukan secara manual, hari ini sistem cadangan berasaskan komputer membolehkan kita mencari pilihan yang sesuai dengan lebih mudah dan cepat. Hakikat bahawa komputer secara automatik mengesyorkan pilihan yang disesuaikan dengan individu mendorong kita untuk mempertimbangkan semula betapa bergunanya kemajuan teknologi kepada manusia.
