Link Prediction Menggunakan Random Walk Neural-Network Dengan Representasi Line Graph Untuk Rekomendasi Produk Berbasis Collaborative Filtering

Anggraeni, Sherly Rosa (2023) Link Prediction Menggunakan Random Walk Neural-Network Dengan Representasi Line Graph Untuk Rekomendasi Produk Berbasis Collaborative Filtering. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025211024-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (1MB) | Request a copy

Abstract

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 bahkan tanpa adanya deskripisi produk. Representasi LINE Graph digunakan untuk mendapatkan pemodelan yang lebih baik dari hubungan antara pengguna dan produk dalam jaringan. Dengan memisahkan setiap edge menjadi dua node terpisah, LINE Graph mempertahankan konektivitas dan konteks graf asli, yang memungkinkan pembelajaran embedding yang lebih baik dalam menangkap pola struktural lokal dan global dalam jaringan.
Pada penelitian ini, representasi LINE Graph dilakukan prediksi link menggunakan Random Walk Neural Network (RWNN) untuk memprediksi apakah akan terjadi hubungan rekomendasi antara pengguna dan produk pada masa akan datang. Random Walk Neural Network menggunakan random walk untuk menjelajahi jaringan dan menangkap informasi struktural yang terkandung dalam representasi LINE Graph. Selain itu, RWNN juga efektif dalam menghadapi data yang besar dan kompleks, sehingga cocok digunakan dalam rekomendasi produk yang melibatkan jutaan pengguna dan produk.
Dari hasil penelitian yang dilakukan, evaluasi rekomendasi produk menggunakan representasi LINE Graph dan prediksi link Random Walk Neural Network menggunakan perhitungan Mean Absolute Error menghasilkan nilai terendah yaitu 0.127. Dibandingkan dengan metode prediksi link lainnya seperti SDNE dengan nilai terendah 0.202 dan DeepWalk dengan nilai terendah 0.221. Dengan hasil evaluasi, menunjukkan bahwa menggunakan LINE Graph sebagai representasi data dan RWNN sebagai metode prediksi link dalam rekomendasi produk dapat meningkatkan kualitas rekomendasi dengan hasil yang lebih baik dibandingkan dengan metode lainnya seperti SDNE dan DeepWalk.
=====================================================================================================================================
Product recommendations play a significant role in a variety of industries, including e-commerce, retail, hospitality and finance. Recommendations can increase customer satisfaction and sales by helping customers find relevant products. A collaborative filtering approach is used in this product recommendation because the available data only focuses on user features. This approach leverages product-user interaction data to uncover patterns and similarities among users even in the absence of a product description. The LINE Graph representation is used to get a better model of the relationship between users and products in the network. By splitting each edge into two separate nodes, the LINE Graph maintains the connectivity and context of the original graph, which allows embedding learning to better capture local and global structural patterns in the network.
In this study, the LINE Graph representation is made link prediction using the Random Walk Neural Network (RWNN) to predict whether there will be a recommendation relationship between users and products in the future. Random Walk Neural Network uses random walks to explore the network and capture the structural information contained in the LINE Graph representation. In addition, RWNN is also effective in dealing with large and complex data, making it suitable for use in product recommendations involving millions of users and products.
From the results of the research conducted, evaluating product recommendations using the LINE Graph representation and predicting the Random Walk Neural Network link using the Mean Absolute Error calculation produces the lowest value, namely 0.127. Compared to other link prediction methods such as SDNE with the lowest value 0.202 and DeepWalk with the lowest value 0.221. The evaluation results show that using LINE Graph as a data representation and RWNN as a link prediction method in product recommendations can improve the quality of recommendations with better results compared to other methods such as SDNE and DeepWalk .

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	LINE Graph, Prediksi Link, Random Walk Neural Network
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science. EDP Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Sherly Rosa Anggraeni
Date Deposited:	06 Aug 2023 10:18
Last Modified:	06 Aug 2023 10:18
URI:	http://repository.its.ac.id/id/eprint/104122

Actions (login required)

View Item