{"id":476320,"date":"2023-08-09T07:28:31","date_gmt":"2023-08-09T07:28:31","guid":{"rendered":""},"modified":"2023-09-05T11:12:27","modified_gmt":"2023-09-05T11:12:27","slug":"collaborative-filtering","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/id\/wiki\/collaborative-filtering\/","title":{"rendered":"Pemfilteran kolaboratif"},"content":{"rendered":"<p>Collaborative Filtering (CF) adalah metode algoritmik canggih yang sering diterapkan dalam bidang sistem rekomendasi. Premis pentingnya adalah memprediksi minat pengguna tertentu dengan mengumpulkan preferensi dari banyak pengguna. Asumsi yang mendasari CF adalah jika dua pengguna sepakat pada satu isu, kemungkinan besar mereka akan menyetujui isu lain juga.<\/p>\n<h2>Kejadian dan Evolusi Pemfilteran Kolaboratif<\/h2>\n<p>Collaborative Filtering pertama kali disebutkan pada tahun 1992 oleh David Goldberg dan lainnya dari Xerox PARC, dalam pengembangan Tapestry, sistem email awal. Tapestry dirancang untuk menggunakan kecerdasan manusia dan memungkinkan orang menambahkan anotasi, atau \u201ctag\u201d, ke pesan masuk, yang nantinya dapat digunakan untuk memfilter pesan.<\/p>\n<p>Pada tahun 1994, proyek GroupLens oleh Universitas Minnesota memperkenalkan istilah \u201cpenyaringan kolaboratif\u201d dengan mengusulkan pendekatan CF otomatis. Proyek ini memanfaatkan CF untuk berita Usenet\u2014jaringan grup berita tempat pengguna dapat memposting dan memfilternya sesuai preferensi mereka.<\/p>\n<h2>Membuka Penyaringan Kolaboratif<\/h2>\n<p>Pemfilteran kolaboratif terutama beroperasi dengan membuat matriks item pengguna yang berisi preferensi (seperti peringkat) yang diberikan oleh pengguna terhadap item. Misalnya, dalam konteks sistem rekomendasi film, matriks ini akan berisi peringkat yang diberikan oleh pengguna untuk berbagai film.<\/p>\n<p>CF didasarkan pada dua paradigma utama: CF berbasis memori dan CF berbasis model.<\/p>\n<ul>\n<li>\n<p>CF berbasis memori: Juga dikenal sebagai CF berbasis lingkungan, paradigma ini membuat prediksi berdasarkan kesamaan antara pengguna atau item. Ini dibagi menjadi CF Pengguna-Pengguna (mengidentifikasi pengguna yang serupa dengan pengguna yang diprediksi) dan CF Item-Item (mengidentifikasi item yang serupa dengan yang diberi peringkat oleh pengguna).<\/p>\n<\/li>\n<li>\n<p>CF berbasis model: Pendekatan ini melibatkan pengembangan model pengguna untuk mempelajari preferensi mereka. Teknik yang terlibat adalah pengelompokan, faktorisasi matriks, pembelajaran mendalam, dll.<\/p>\n<\/li>\n<\/ul>\n<h2>Mekanisme Dibalik Penyaringan Kolaboratif<\/h2>\n<p>Pada intinya, proses Pemfilteran Kolaboratif melibatkan dua langkah: menemukan pengguna dengan selera serupa dan merekomendasikan item berdasarkan preferensi pengguna serupa. Berikut gambaran umum pengoperasiannya:<\/p>\n<ol>\n<li>Hitung kesamaan antara pengguna atau item.<\/li>\n<li>Memprediksi peringkat item yang belum diberi peringkat oleh pengguna.<\/li>\n<li>Rekomendasikan item N teratas dengan prediksi peringkat tertinggi.<\/li>\n<\/ol>\n<p>Kesamaan antara pengguna atau item biasanya dihitung menggunakan kesamaan kosinus atau korelasi Pearson.<\/p>\n<h2>Fitur Utama Pemfilteran Kolaboratif<\/h2>\n<ol>\n<li><strong>Personalisasi:<\/strong> CF memberikan rekomendasi yang dipersonalisasi karena mempertimbangkan perilaku pengguna individu saat memberikan rekomendasi.<\/li>\n<li><strong>Kemampuan beradaptasi:<\/strong> Itu dapat beradaptasi dengan perubahan minat pengguna.<\/li>\n<li><strong>Skalabilitas:<\/strong> Algoritma CF mampu menangani data dalam jumlah besar.<\/li>\n<li><strong>Masalah Mulai Dingin:<\/strong> Pengguna baru atau item baru dapat menjadi masalah karena data yang tersedia tidak mencukupi untuk membuat rekomendasi yang akurat\u2014masalah yang dikenal sebagai masalah cold start.<\/li>\n<\/ol>\n<h2>Jenis Penyaringan Kolaboratif<\/h2>\n<table>\n<thead>\n<tr>\n<th><strong>Jenis<\/strong><\/th>\n<th><strong>Keterangan<\/strong><\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>CF berbasis memori<\/td>\n<td>Menggunakan memori interaksi pengguna sebelumnya untuk menghitung kesamaan pengguna atau kesamaan item.<\/td>\n<\/tr>\n<tr>\n<td>CF berbasis model<\/td>\n<td>Melibatkan langkah pembelajaran model, kemudian menggunakan model ini untuk membuat prediksi.<\/td>\n<\/tr>\n<tr>\n<td>CF Hibrid<\/td>\n<td>Menggabungkan metode berbasis Memori dan berbasis Model untuk mengatasi beberapa keterbatasan.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Menggunakan Penyaringan Kolaboratif: Tantangan dan Solusi<\/h2>\n<p>CF banyak digunakan di berbagai domain termasuk namun tidak terbatas pada film, musik, berita, buku, artikel penelitian, permintaan pencarian, tag sosial, dan produk secara umum. Namun terdapat tantangan seperti:<\/p>\n<ol>\n<li><strong>Masalah start dingin:<\/strong> Solusinya terletak pada model hibrid yang menggabungkan pemfilteran berbasis konten atau menggunakan metadata tambahan tentang pengguna atau item.<\/li>\n<li><strong>Ketersebaran:<\/strong> Banyak pengguna berinteraksi dengan sejumlah kecil item, sehingga matriks item pengguna menjadi jarang. Teknik reduksi dimensi, seperti dekomposisi nilai singular, dapat mengurangi masalah ini.<\/li>\n<li><strong>Skalabilitas:<\/strong> Seiring bertambahnya data, memberikan rekomendasi dengan cepat dapat menjadi intensif secara komputasi. Solusinya melibatkan komputasi terdistribusi atau penggunaan algoritma yang lebih terukur.<\/li>\n<\/ol>\n<h2>Perbandingan dengan Teknik Serupa<\/h2>\n<table>\n<thead>\n<tr>\n<th><strong>metode<\/strong><\/th>\n<th><strong>Keterangan<\/strong><\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Penyaringan Kolaboratif<\/td>\n<td>Berdasarkan asumsi bahwa orang-orang menyukai hal-hal yang mirip dengan apa yang mereka sukai di masa lalu dan hal-hal yang disukai oleh orang-orang yang memiliki selera serupa.<\/td>\n<\/tr>\n<tr>\n<td>Pemfilteran Berbasis Konten<\/td>\n<td>Merekomendasikan item dengan membandingkan konten item dan profil pengguna.<\/td>\n<\/tr>\n<tr>\n<td>Metode Hibrida<\/td>\n<td>Metode ini menggabungkan Pemfilteran Kolaboratif dan Pemfilteran Berbasis Konten, yang bertujuan untuk menghindari batasan tertentu.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Perspektif Masa Depan tentang Pemfilteran Kolaboratif<\/h2>\n<p>Dengan munculnya pembelajaran mesin yang lebih canggih dan teknologi kecerdasan buatan, metode CF pun berkembang. Teknik pembelajaran mendalam sekarang digunakan untuk mengembangkan model CF yang kompleks, memberikan rekomendasi yang lebih akurat. Selain itu, penelitian dalam mengatasi tantangan ketersebaran data dan masalah cold start sedang berlangsung, sehingga menjanjikan metode CF yang lebih efisien dan efektif di masa depan.<\/p>\n<h2>Server Proxy dan Pemfilteran Kolaboratif<\/h2>\n<p>Server proxy, seperti yang disediakan oleh OneProxy, secara tidak langsung dapat membantu dalam Collaborative Filtering. Mereka memberikan anonimitas dan keamanan, memungkinkan pengguna menjelajah dengan privasi. Hal ini mendorong pengguna untuk bebas berinteraksi dengan item di internet tanpa takut mengganggu privasinya. Data yang dihasilkan sangat penting untuk CF karena sangat bergantung pada interaksi pengguna-item untuk membuat rekomendasi.<\/p>\n<h2>tautan yang berhubungan<\/h2>\n<ol>\n<li><a href=\"http:\/\/grouplens.org\/\" target=\"_new\" rel=\"noopener nofollow\">Penelitian Lensa Grup<\/a><\/li>\n<li><a href=\"https:\/\/research.netflix.com\/\" target=\"_new\" rel=\"noopener nofollow\">Penelitian Netflix<\/a><\/li>\n<li><a href=\"https:\/\/www.amazon.science\/tag\/recommendation\" target=\"_new\" rel=\"noopener nofollow\">Penelitian Amazon<\/a><\/li>\n<li><a href=\"https:\/\/dl.acm.org\/\" target=\"_new\" rel=\"noopener nofollow\">Perpustakaan Digital ACM<\/a> untuk penelitian akademis tentang Collaborative Filtering<\/li>\n<li><a href=\"https:\/\/scholar.google.com\/\" target=\"_new\" rel=\"noopener nofollow\">beasiswa Google<\/a> untuk makalah akademis tentang Collaborative Filtering<\/li>\n<\/ol>","protected":false},"featured_media":0,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-476320","wiki","type-wiki","status-publish","hentry"],"acf":{"faq_title":"Frequently Asked Questions about <mark>Collaborative Filtering: A Comprehensive Guide<\/mark>","faq_items":[{"question":"What is Collaborative Filtering?","answer":"<p>Collaborative Filtering (CF) is an algorithmic method used within recommendation systems to predict a specific user's interests based on the preferences collected from numerous users.<\/p>"},{"question":"What is the history of Collaborative Filtering?","answer":"<p>The term Collaborative Filtering was first introduced in the GroupLens project by the University of Minnesota in 1994, which was designed for Usenet news. However, the concept was first mentioned in 1992 by David Goldberg and others from Xerox PARC, who developed Tapestry, an early email system that allowed users to filter messages based on tags.<\/p>"},{"question":"How does Collaborative Filtering work?","answer":"<p>Collaborative Filtering works by creating a user-item matrix, which is filled with the preferences (such as ratings) given by users to items. It then calculates the similarity between users or items, predicts the ratings of the items not yet rated by a user, and recommends the top-N items with the highest predicted ratings.<\/p>"},{"question":"What are the key features of Collaborative Filtering?","answer":"<p>The key features of Collaborative Filtering include personalization, adaptability, and scalability. However, it does have challenges such as the cold start problem, which is when there is insufficient data to make accurate recommendations for new users or items.<\/p>"},{"question":"What types of Collaborative Filtering exist?","answer":"<p>There are three main types of Collaborative Filtering: Memory-based CF that uses the memory of previous users' interactions to compute user or item similarity, Model-based CF that learns a model to predict user preferences, and Hybrid CF that combines the Memory-based and Model-based methods to overcome certain limitations.<\/p>"},{"question":"How is Collaborative Filtering used and what are the associated problems?","answer":"<p>Collaborative Filtering is used in various domains such as movies, music, news, books, research articles, search queries, social tags, and general products. The associated challenges include the cold start problem, sparsity, and scalability. However, solutions exist, such as hybrid models, dimensionality reduction techniques, and the use of more scalable algorithms.<\/p>"},{"question":"How does Collaborative Filtering compare to similar techniques?","answer":"<p>Collaborative Filtering is based on the assumption that users will like things similar to what they liked in the past and things liked by people with similar tastes. This contrasts with Content-Based Filtering, which recommends items by comparing the content of the items and a user profile. Hybrid Methods combine Collaborative Filtering and Content-Based Filtering to avoid certain limitations.<\/p>"},{"question":"What are the future perspectives on Collaborative Filtering?","answer":"<p>The future of Collaborative Filtering includes the advent of more sophisticated machine learning and artificial intelligence technologies. Deep learning techniques are being used to develop complex models for CF, providing more accurate recommendations. Ongoing research aims to address challenges of data sparsity and the cold start problem.<\/p>"},{"question":"How are proxy servers associated with Collaborative Filtering?","answer":"<p>Proxy servers can indirectly aid in Collaborative Filtering by providing anonymity and security, which allows users to browse with privacy. This encourages users to freely interact with items on the internet without fearing to compromise their privacy, leading to more user-item interaction data that CF relies on for making recommendations.<\/p>"}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/id\/wp-json\/wp\/v2\/wiki\/476320","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/id\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/id\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/id\/wp-json\/wp\/v2\/wiki\/476320\/revisions"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/id\/wp-json\/wp\/v2\/media?parent=476320"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}