Sistem Rekomendasi Film Berbasis Konteks Menggunakan Graph Neural Network Dengan Contrastive Learning Pada Dataset MovieLens

Abstrak

Seiring meningkatnya volume data digital, sistem rekomendasi telah menjadi solusi untuk mitigasi informasi yang berlebih ini. Metode rekomendasi tradisional seperti collaborative filtering dan content-based filtering menjadi dasar dari bidang sistem rekomendasi. Dalam sistem rekomendasi khususnya collaborative filtering terdapat kendala utama yaitu data sparsity dan over-smoothing. Baru-baru ini perkembangan pada deep learning khususnya Graph Neural Network (GNN) model seperti LightGCN terbukti dapat menangkap hubungan struktural kompleks user-item dengan lebih baik. Model mengintegrasikan Contrastive Learning sebagai mekanisme supervisi tambahan untuk mengatasi overfitting yang biasa terjadi ketika model mengalami data-sparsity. Mekanisme ini membuat model dapat mempelajari fitur laten yang lebih kuat melalui self-supervised learning sekaligus mencegah penurunan kuallitas representasi pada lapisan graf yang dalam. Selain itu, konteks temporal ditambahkan seperti hari, bulan, jam, musim, tahun, dan status akhir pekan dilibatkan untuk menangkap dinamika preferensi pengguna secara lebih akurat. Eksperimen yang dilakukan pada lingkungan offline pada dataset MovieLens 1M menunjukan hasil yang cukup signifikan. Model yang mengintegrasikan LightGCN, Contrastive Learning dan konteks temporal berhasil mencapai nilai HitRatio sebesar 70.74%. Selain itu model mencatat nilai NDCG sebesar 0.1888, MRR sebesar 0.3383, Recall@20 sebesar 0.0628, dan MAP sebesar 0.0959. Model usulan juga memiliki peningkatan sebesar 4.62% dari model baseline dari sisi HitRatio.