Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Ringkasan rekomendasi
Sistem rekomendasi adalah salah satu penerapan teknologi machine learning yang paling
sukses dan luas untuk bisnis. Anda dapat menggunakan sistem rekomendasi untuk membantu pengguna menemukan konten menarik dalam banyak konten. Misalnya, Google Play Store
menawarkan jutaan aplikasi, sedangkan YouTube menawarkan miliaran video, dengan lebih banyak aplikasi
dan video yang ditambahkan setiap hari.
Pengguna dapat menggunakan penelusuran untuk menemukan konten baru, tetapi hal ini dibatasi oleh istilah penelusuran yang mereka gunakan. Sistem rekomendasi dapat menyarankan konten yang mungkin tidak terpikirkan oleh pengguna untuk ditelusuri sendiri. Untuk informasi selengkapnya, lihat
Ringkasan Sistem Rekomendasi.
Algoritma machine learning dalam sistem rekomendasi biasanya diklasifikasikan
ke dalam kategori berikut:
Penyaringan berbasis konten: menggunakan kesamaan antar-item untuk memberikan
rekomendasi. Misalnya, jika pengguna menonton dua video kucing lucu, sistem rekomendasi dapat merekomendasikan lebih banyak video hewan lucu kepada pengguna tersebut.
Penyaringan kolaboratif: menggunakan kesamaan antar-pengguna (berdasarkan kueri
pengguna) untuk memberikan rekomendasi. Misalnya, jika pengguna A menelusuri
hal yang serupa dengan pengguna B, dan pengguna B menyukai video 1, sistem rekomendasi
dapat merekomendasikan video 1 kepada pengguna A, meskipun pengguna A belum menonton
video yang serupa dengan video 1.
Model faktorisasi matriks
Model faktorisasi matriks banyak digunakan sebagai metode pemfilteran kolaboratif untuk sistem rekomendasi.
Dalam model faktorisasi matriks, pasangan pengguna-item dipetakan ke matriks dua dimensi, dengan pengguna unik di satu sumbu dan item unik di sumbu lainnya. Rating yang diberikan pengguna untuk item berada di sel matriks.
Matriks ini tidak perlu sepenuhnya penuh; sebagian besar waktu, pengguna
tidak akan memiliki nilai untuk setiap item. Tujuan model faktorisasi matriks adalah
membuat dua matriks bobot yang lebih kecil dan padat yang jika dikalikan,
akan mendekati nilai sel matriks asli dan memberikan prediksi rating untuk
sel matriks kosong.
Salah satu matriks yang lebih kecil berisi pengguna unik pada satu sumbu dan jumlah
faktor laten pada sumbu lainnya, seperti yang ditentukan oleh
opsi NUM_FACTORS
pernyataan CREATE MODEL. Matriks lain yang lebih kecil berisi item unik
di satu sumbu dan jumlah faktor laten di sumbu lainnya. Dalam matriks
ini, bobot faktor laten dihasilkan oleh algoritma yang digunakan untuk melatih
model, berdasarkan kombinasi item pengguna dari matriks input.
Anda dapat menggunakan model faktorisasi matriks dengan
fungsi ML.RECOMMEND
untuk membuat rekomendasi.
Model lain untuk rekomendasi
Untuk memperluas sistem rekomendasi berbasis pemfilteran kolaboratif di luar yang
mungkin dilakukan dengan model faktorisasi matriks, Anda dapat menggunakan
model
jaringan neural dalam (DNN)
dan
Wide-and-Deep
dengan
fungsi ML.PREDICT
untuk membuat rekomendasi. Model ini dapat menggabungkan fitur kueri dan item untuk meningkatkan
relevansi rekomendasi. Untuk informasi selengkapnya, lihat referensi berikut:
Dengan menggunakan setelan default dalam pernyataan CREATE MODEL dan
fungsi inferensi, Anda dapat membuat dan menggunakan model rekomendasi bahkan
tanpa banyak pengetahuan ML. Namun, memiliki pengetahuan dasar tentang pengembangan ML, dan model rekomendasi secara khusus, akan membantu Anda mengoptimalkan data dan model untuk memberikan hasil yang lebih baik. Sebaiknya gunakan referensi berikut untuk mengembangkan
pengetahuan tentang teknik dan proses ML:
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Sulit dipahami","hardToUnderstand","thumb-down"],["Informasi atau kode contoh salah","incorrectInformationOrSampleCode","thumb-down"],["Informasi/contoh yang saya butuhkan tidak ada","missingTheInformationSamplesINeed","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2025-08-17 UTC."],[[["\u003cp\u003eRecommendation systems are widely used in businesses to help users discover content they might not find through search, utilizing machine learning to suggest relevant items.\u003c/p\u003e\n"],["\u003cp\u003eContent-based filtering and collaborative filtering are two primary methods used in recommendation systems, with the former focusing on item similarity and the latter on user similarities.\u003c/p\u003e\n"],["\u003cp\u003eMatrix factorization models, which are a type of collaborative filtering, map user-item interactions to a matrix and aim to predict user preferences by filling in missing data, using latent factors to simplify the matrix.\u003c/p\u003e\n"],["\u003cp\u003eFor more advanced recommendation systems, deep neural network (DNN) and Wide-and-Deep models can be used, incorporating query and item features to enhance the accuracy and relevance of recommendations.\u003c/p\u003e\n"],["\u003cp\u003eBasic machine learning knowledge can improve the effectiveness of recommendation models, and resources are recommended to help develop familiarity with machine learning techniques.\u003c/p\u003e\n"]]],[],null,["# Recommendation overview\n=======================\n\nRecommendation systems are one of the most successful and widespread applications of\nmachine learning for businesses. You can use a recommendation system to help your users find compelling content in a large body of content. For example, Google Play Store\noffers millions of apps, while YouTube offers billions of videos, with more apps\nand videos added every day.\nUsers can use search to find new content, but that is limited by the search terms they use. A recommendation system can suggest content that users might not have thought to search for on their own. For more information, see\n[Recommendation Systems Overview](https://developers.google.com/machine-learning/recommendation/overview/types).\n\nMachine learning algorithms in recommendation systems are typically classified\ninto the following categories:\n\n- Content-based filtering: uses similarity between items to provide recommendations. For example, if a user watches two cute cat videos, then the recommendation system can recommend more cute animal videos to that user.\n- Collaborative filtering: uses similarities between users (based on user queries) to provide recommendations. For example, if user A searches for similar things to user B, and user B likes video 1, then the recommendation system can recommend video 1 to user A, even if user A hasn't watched any videos similar to video 1.\n\nMatrix factorization models\n---------------------------\n\n[Matrix factorization models](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-matrix-factorization) are widely used as a collaborative filtering method for recommendation systems.\n\nIn a matrix factorization model, user-item pairs are mapped to a two-dimensional\nmatrix, with the unique users on one axis and the unique items on the other\naxis. Ratings that a user has given items reside in the cells of the matrix.\nThis matrix doesn't need to be completely full; the majority of the time, users\nwon't have a value for each item. The goal of the matrix factorization model is\nto create two smaller, dense matrixes of weights that when multiplied together,\napproximate the original matrix cell values and provide predicted ratings for\nthe empty matrix cells.\n\nOne of the smaller matrixes contains the unique users on one axis and the number\nof latent factors on the other axis, as specified by the\n[`NUM_FACTORS` option](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-matrix-factorization#num_factors)\nof the `CREATE MODEL` statement. The other smaller matrix contains the unique\nitems on one axis and the number of latent factors on the other axis. In this\nmatrix, the latent factor weights are generated by the algorithm used to train\nthe model, based on the user-item combinations from the input matrix.\n\nFor more information, see\n[Matrix Factorization](https://developers.google.com/machine-learning/recommendation/collaborative/matrix).\n\nYou can use a matrix factorization model with the\n[`ML.RECOMMEND` function](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-recommend)\nto make recommendations.\n\nOther models for recommendation\n-------------------------------\n\nTo extend a collaborative filtering-based recommendation system beyond what is\npossible with a matrix factorization model, you can use\n[deep neural network (DNN)](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-dnn-models)\nand\n[Wide-and-Deep](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-wnd-models)\nmodels with the\n[`ML.PREDICT` function](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-predict)\nto make recommendations. These models can incorporate query and item features to improve the\nrelevance of recommendations. For more information, see the following resources:\n\n- [Recommendation using Deep Neural Network Models](https://developers.google.com/machine-learning/recommendation/dnn/softmax)\n- [Deep Neural Networks for YouTube Recommendations](https://research.google/pubs/pub45530)\n- [Wide \\& Deep Learning for Recommender Systems](https://arxiv.org/pdf/1606.07792.pdf)\n\nRecommended knowledge\n---------------------\n\nBy using the default settings in the `CREATE MODEL` statements and the\ninference functions, you can create and use a recommendation model even\nwithout much ML knowledge. However, having basic knowledge about\nML development, and recommendation models in particular,\nhelps you optimize both your data and your model to\ndeliver better results. We recommend using the following resources to develop\nfamiliarity with ML techniques and processes:\n\n- [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)\n- [Intro to Machine Learning](https://www.kaggle.com/learn/intro-to-machine-learning)\n- [Intermediate Machine Learning](https://www.kaggle.com/learn/intermediate-machine-learning)\n- [Recommendation Systems](https://developers.google.com/machine-learning/recommendation)"]]
