Mengapa cold start menjadi masalah
Sistem rekomendasi umumnya menggunakan metode seperti collaborative filtering, matrix factorization, atau model deep learning untuk menghasilkan set kandidat. Algoritma recall ini biasanya bergantung pada matriks interaksi user-item. Dalam sistem rekomendasi dunia nyata, pengguna dan item baru terus-menerus ditambahkan. Karena kurangnya data interaksi historis yang memadai, sistem tidak dapat memberikan rekomendasi akurat untuk pengguna dan item baru tersebut atau merekomendasikannya kepada pengguna yang tepat. Kondisi ini dikenal sebagai masalah cold start. Cold start menjadi tantangan bagi sistem rekomendasi karena algoritma yang ada—baik pada tahap recall, coarse-ranking, maupun fine-ranking—tidak dirancang secara optimal untuk menangani entitas baru. Algoritma tersebut cenderung terlalu bergantung pada data perilaku pengguna yang dikumpulkan oleh sistem, padahal data tersebut sangat terbatas untuk pengguna dan item baru. Akibatnya, item baru mendapatkan eksposur yang terbatas, dan sistem tidak dapat memodelkan minat pengguna baru secara akurat.
Bagi sejumlah bisnis, kemampuan merekomendasikan item baru secara cepat dan memastikan item tersebut memperoleh eksposur yang cukup sangat penting bagi ekosistem platform dan pendapatan jangka panjang. Misalnya, industri berita sangat sensitif terhadap waktu; jika sebuah berita tidak segera mendapatkan eksposur, nilainya akan turun drastis. Pada platform konten buatan pengguna (UGC), jika konten baru gagal mendapatkan eksposur tepat waktu, kreator mungkin kecewa dan menghasilkan lebih sedikit konten berkualitas tinggi. Demikian pula, pada platform kencan, jika pengguna baru tidak menerima cukup perhatian, platform tersebut mungkin kesulitan menarik anggota baru dan akhirnya mengalami stagnasi.
Secara ringkas, masalah cold start merupakan tantangan kritis dalam sistem rekomendasi. Lalu, bagaimana cara mengatasinya?
Cara mengatasi masalah cold start
Algoritma (atau strategi) untuk mengatasi masalah cold start dalam sistem rekomendasi dapat dirangkum dalam frasa empat kata: "Generalize, Fast, Transfer, Few".
Generalize: Pendekatan ini melibatkan generalisasi item baru dengan memetakannya ke atribut atau topik yang lebih luas. Sebagai contoh, produk baru dapat direkomendasikan kepada pengguna yang sebelumnya menyukai item dalam kategori yang sama, yaitu naik dari level "product" ke "category". Video pendek baru dapat direkomendasikan kepada pengikut kreatornya, naik dari "short video" ke "creator". Artikel baru dapat direkomendasikan kepada pengguna yang tertarik pada topik yang sama, misalnya menampilkan artikel tentang jet tempur J-20 kepada penggemar militer, naik dari "news article" ke "topic". Intinya, ini merupakan bentuk rekomendasi berbasis konten. Generalisasi ke beberapa konsep tingkat tinggi secara bersamaan sering kali menghasilkan performa yang lebih baik. Misalnya, produk baru dapat dikaitkan dengan "category", "brand", "store", "style", dan "color"-nya. Terkadang, konsep-konsep ini sudah melekat pada item baru, sehingga mempermudah prosesnya. Contohnya, merchant biasanya menyediakan atribut produk saat mendaftarkan item. Dalam kasus lain, konsep-konsep tersebut harus ditemukan terlebih dahulu, misalnya dengan menggunakan algoritma terpisah untuk menentukan apakah suatu artikel termasuk dalam kategori "military", "sports", atau "beauty".
Selain generalisasi menggunakan tag atau topik, teknik umum lainnya adalah mencocokkan minat pengguna dengan item melalui perhitungan jarak atau kemiripan antara vektor penyematan (embedding) mereka. Algoritma seperti matrix factorization dan model deep learning dapat menghasilkan vektor penyematan untuk pengguna dan item. Namun, model konvensional tetap bergantung pada data interaksi dan tidak mampu melakukan generalisasi dengan baik untuk pengguna dan item cold start. Beberapa model dirancang khusus untuk menghasilkan vektor penyematan dalam skenario cold start, seperti yang dijelaskan dalam Analisis Mendalam dan Perbaikan Model DropoutNet untuk Rekomendasi Cold Start.
Meskipun metode ini tampak sederhana, pendekatannya memiliki kedalaman yang signifikan. Metode ini pada dasarnya memanfaatkan konten dan atribut item untuk mengimbangi kurangnya interaksi historis. Misalnya, Anda dapat menggunakan informasi multimodal item, seperti gambar atau video, untuk rekomendasi terkait. Pada platform kencan, Anda dapat memberi skor daya tarik foto pengguna baru (yang dalam konteks ini berperan sebagai "item") lalu merekomendasikannya kepada pengguna yang menyukai tingkat daya tarik tersebut.
Fast: Dalam rekomendasi, kecepatan merupakan keunggulan yang menentukan. Secara definisi, item cold start tidak memiliki interaksi pengguna historis. Solusi alami adalah mengumpulkan data interaksi untuk item baru lebih cepat dan segera mengintegrasikannya ke dalam sistem rekomendasi. Meskipun model dan data rekomendasi konvensional sering diperbarui setiap hari, sistem pemrosesan real-time memungkinkan pembaruan data dan model dalam hitungan menit bahkan detik. Pendekatan ini umumnya didasarkan pada reinforcement learning atau algoritma contextual bandit. Untuk detail lebih lanjut, lihat artikel: Implementasi dan Aplikasi Algoritma Contextual Bandit dalam Sistem Rekomendasi.
Transfer: Transfer learning membangun model dengan memanfaatkan data dari skenario yang berbeda. Metode ini mentransfer pengetahuan dari domain sumber ke domain target. Sebagai contoh, saat meluncurkan layanan baru yang hanya memiliki sampel data kecil, Anda dapat menggunakan data dari layanan yang lebih mapan untuk membangun model awal. Dalam kasus ini, layanan mapan berperan sebagai domain sumber, sedangkan layanan baru sebagai domain target. Contoh lain adalah platform e-commerce lintas batas dengan situs di berbagai negara. Jika situs baru diluncurkan dengan data interaksi terbatas, Anda dapat melatih model menggunakan data dari situs matang di negara lain, lalu melakukan fine-tuning dengan sampel kecil dari situs baru tersebut. Pendekatan ini dapat meningkatkan performa cold start secara signifikan. Agar transfer learning efektif, domain sumber dan target harus memiliki keterkaitan yang cukup erat. Misalnya, dalam contoh e-commerce tersebut, situs di berbagai negara idealnya menjual banyak produk yang saling tumpang tindih.
Few: Few-shot learning, seperti namanya, adalah teknik untuk melatih model hanya dengan sedikit data supervised. Salah satu metode few-shot learning yang umum adalah meta-learning. Penjelasan mendetail mengenai teknik-teknik ini berada di luar cakupan artikel ini. Untuk informasi lebih lanjut, lihat: Model Rekomendasi Cold Start Berbasis Meta-Learning.