<![CDATA[Rekomendasi produk memiliki peran yang signifikan dalam berbagai industri, termasuk e-commerce, ritel, perhotelan, dan keuangan. Rekomendasi dapat meningkatkan kepuasan pelanggan dan penjualan dengan membantu pelanggan menemukan produk yang relevan. Pendekatan collaborative filtering digunakan dalam rekomendasi produk ini karena data yang tersedia hanya berfokus pada fitur pengguna. Pendekatan ini memanfaatkan data interaksi pengguna-produk untuk mengungkap pola dan kesamaan di antara para pengguna. Representasi graf digunakan untuk memodelkan hubungan interaksi pengguna-produk, yang memungkinkan pemodelan yang lebih komprehensif dari ketergantungan dan hubungan antara pengguna dan produk. Penelitian ini menggunakan GCN dalam kombinasi dengan Factorization machine (FM) untuk meningkatkan personalisasi rekomendasi. GCN menggunakan konvolusi graf untuk menyebarkan dan memperbarui node embedding berdasarkan hubungan ketetanggaan mereka. GCN memanfaatkan informasi lingkungan sekitar dan struktur graf yang lebih luas, untuk meningkatkan pemahaman tentang preferensi pengguna dan menghasilkan rekomendasi yang dipersonalisasi. GCN juga dapat mengatasi keterbatasan metode lain dengan mempertimbangkan hubungan yang lebih rinci antar produk dan fitur unik dari setiap produk. FM mempertimbangkan interaksi antara fitur pengguna dan fitur produk, sehingga memahami preferensi pengguna secara lebih mendalam. Diharapkan dengan mengintegrasikan kekuatan GCN dan FM, rekomendasi produk dapat memberikan pengalaman pengguna yang lebih menarik dan menyenangkan.]]>
Copyrights © 2023
