Mengapa AI Tidak Memberikan Rekomendasi Produk yang Lebih Baik

Jika Anda tertarik dengan hal-hal yang tidak biasa, ada dua alasan mengapa pencarian Anda untuk item dan produk mungkin kurang terkait dengan minat Anda dibandingkan dengan rekan-rekan ‘mainstream’ Anda; baik Anda adalah kasus ‘edge’ moneterisasi yang minatnya hanya akan dilayani jika Anda juga berada di kategori daya beli ekonomi yang lebih tinggi (misalnya, produk dan layanan yang terkait dengan ‘manajemen kekayaan’); atau algoritma pencarian yang Anda gunakan menggunakan collaborative filtering (CF), yang mengutamakan minat mayoritas.

Sejak collaborative filtering lebih murah dan lebih mapan daripada algoritma dan kerangka kerja lain yang potensial lebih mampu, memungkinkan kedua kasus ini berlaku.

Hasil pencarian berbasis CF akan memprioritaskan item yang dianggap populer di kalangan ‘orang seperti Anda’, sebaik mungkin kerangka kerja host dapat memahami jenis konsumen Anda.

Jika Anda curiga dengan memberikan informasi profil data kepada sistem host – misalnya, tidak cenderung menekan tombol ‘Suka’ di Netflix dan layanan konten video lainnya – Anda kemungkinan akan diklasifikasikan secara generik dalam interaksi awal Anda dengan sistem, dan rekomendasi yang Anda terima akan mencerminkan tren yang paling populer.

Di platform streaming, itu bisa berarti direkomendasikan acara dan film yang saat ini ‘hot’, seperti acara TV realitas dan dokumenter pembunuhan forensik, terlepas dari minat Anda dalam hal ini. Begitu juga dengan platform rekomendasi buku, yang cenderung menawarkan buku-buku terlaris saat ini dan baru-baru ini, tampaknya secara sewenang-wenang.

Secara teori, bahkan pengguna yang berhati-hati dengan data seharusnya akhirnya mendapatkan hasil yang lebih baik dari sistem seperti itu berdasarkan cara mereka menggunakan dan hal-hal yang mereka cari, karena sebagian besar kerangka kerja pencarian memberikan pengguna kemampuan terbatas untuk mengedit riwayat penggunaan mereka.

Warna Apa Saja yang Anda Sukai, Selama Ini Hitam

Namun, menurut sebuah studi baru dari Austria, keunggulan collaborative filtering atas content-based filtering (yang mencari hubungan antara produk bukan hanya mengambil popularitas agregat), dan pendekatan alternatif lainnya, cenderung membuat sistem pencarian menuju popularity bias jangka panjang, di mana hasil yang jelas populer didorong kepada pengguna akhir yang tidak mungkin antusias dengan mereka.

Penelitian ini menemukan bahwa pengguna yang tidak tertarik dengan item populer menerima ‘rekomendasi yang jauh lebih buruk’ daripada pengguna dengan minat sedang atau tinggi pada popularitas, dan (mungkin tautologis) bahwa item populer direkomendasikan lebih sering daripada item yang tidak populer. Peneliti juga menyimpulkan bahwa pengguna dengan minat rendah pada item populer cenderung memiliki profil pengguna yang lebih besar yang dapat memperbaiki sistem rekomendasi – jika saja sistem dapat menghentikan kecanduan mereka pada ‘herd’ metrik.

Membandingkan popularitas dengan kompleksitas profil pengguna menunjukkan bahwa pengguna ‘marginal’ yang tidak tertarik dengan konten mainstream sebenarnya memiliki lebih banyak potensi konten untuk sistem rekomendasi; tetapi karena pengguna seperti itu tidak mengikuti tren, tampaknya ini adalah kesempatan yang terlewatkan. Sumber: https://arxiv.org/pdf/2203.00376.pdf

Domain yang Diliput

Studi ini membangun pada karya sebelumnya yang mempelajari sektor individu (seperti rekomendasi buku), dan memeriksa empat domain: buku digital (melalui dataset BookCrossing); film (melalui MovieLens); musik (melalui Last.fm); dan anime (melalui MyAnimeList).

Studi ini menerapkan empat algoritma rekomendasi multimedia populer (MMRS) collaborative filtering terhadap dataset dibagi menjadi tiga kelompok pengguna, sesuai dengan kemungkinan mereka untuk menerima hasil ‘populer’: LowPop, MedPop, dan HighPop. Kelompok pengguna difilter menjadi 1000 kelompok ukuran sama, berdasarkan kemungkinan terendah, rata-rata, dan paling mungkin untuk mengutamakan hasil ‘populer’.

Komentar tentang hasilnya, penulis menyatakan:

‘[Kami] menemukan bahwa kemungkinan sebuah item multimedia untuk direkomendasikan sangat berkorelasi dengan popularitas item tersebut [dan] bahwa pengguna yang tidak tertarik dengan item populer menerima rekomendasi multimedia yang jauh lebih buruk daripada pengguna dengan minat sedang dan tinggi pada popularitas…

‘Hasil kami menunjukkan bahwa meskipun pengguna dengan sedikit minat pada item populer cenderung memiliki profil pengguna yang lebih besar, mereka menerima akurasi rekomendasi yang terendah. Oleh karena itu, penelitian lebih lanjut diperlukan untuk mengurangi bias popularitas pada MMRS, baik pada tingkat item dan pengguna.’

Jalan Keluar yang ‘Mudah’

Collaborative filtering semakin digunakan sebagai salah satu bagian dari strategi algoritma pencarian yang lebih luas, tetapi memiliki saham yang kuat di sektor pencarian, dan logika serta potensi profitabilitasnya menarik dan mudah dipahami.

Secara inheren, CF pada dasarnya memindahkan tugas mengevaluasi nilai konten ke pengguna akhir, dan menggunakan penerimaan konten sebagai indeks nilai dan potensi daya tariknya kepada pelanggan lain. Dengan analogi, ini pada dasarnya adalah peta dari ‘buzz’ di sekitar ‘water cooler’.

Content-based filtering (CBF) lebih sulit, tetapi dapat memberikan hasil yang lebih relevan. Di sektor penglihatan komputer, sejumlah besar penelitian saat ini sedang dilakukan untuk mengkategorikan konten video dan mencoba menghasilkan domain, fitur, dan konsep tingkat tinggi melalui analisis audio dan video di output film dan TV.

Siapa yang Menggunakan Collaborative Filtering?

Saat penulisan, mesin rekomendasi Netflix yang sering dikritik masih fokus pada berbagai pendekatan collaborative filtering, menerapkan berbagai teknologi tambahan dalam upaya terus-menerus untuk menghasilkan rekomendasi yang lebih relevan bagi pengguna.

Collaborative filtering juga digunakan secara luas oleh Facebook, bersama dengan pendekatan lain, dan juga oleh LinkedIn, YouTube, dan Twitter.

Collaborative filtering juga digunakan secara luas oleh perusahaan lain, termasuk Amazon, yang mengembangkan algoritma rekomendasi dari awal yang berbasis pada collaborative filtering hingga metode item-item collaborative filtering, yang menekankan sejarah pembelian pelanggan.

First published 2nd Maret 2022.