Kok aplikasi video bisa tahu video berikutnya yang pengen kamu tonton?
Dari daftar video paling populer sampai deep learning yang menebak berapa lama kamu bakal nonton. Begini sistem rekomendasi video dibangun, lengkap dengan paper dari tim YouTube sendiri.
Setiap menit ada banyak video baru yang diunggah ke aplikasi video. Tapi begitu satu video selesai, video berikutnya sudah siap, dan sering kali pas. Video di atas membangun sistem rekomendasi itu langkah demi langkah, dari cara paling sederhana sampai cara yang dipakai YouTube.
Tujuh langkah sistem rekomendasi
- Video paling populer. Tampilkan saja video yang paling banyak ditonton. Cukup aman untuk pengguna baru, tapi semua orang dapat video yang sama.
- Content-based filtering. Setiap video diberi label: masak, bola, kucing. Kalau kamu menonton video masak, kamu dapat video masak lagi. Lebih nyambung, tapi lama-lama isinya itu-itu saja.
- Collaborative filtering. Cari orang lain yang seleranya mirip denganmu, lalu tawarkan video yang mereka suka tapi belum pernah kamu tonton. Kamu jadi menemukan hal baru, tapi membandingkan ratusan juta orang satu per satu terlalu berat.
- Item-based dengan co-visitation. Yang dibandingkan videonya, bukan orangnya: video mana saja yang sering ditonton dalam satu sesi yang sama selama 24 jam. Masalahnya, tabelnya bolong-bolong, karena satu orang cuma menonton sebagian kecil dari jutaan video.
- Matrix factorization. Mesin mencari selera tersembunyi (latent factors). Setiap orang dan setiap video diringkas jadi beberapa angka, lalu kotak yang kosong bisa ditebak. Tapi petunjuk yang dipakai cuma riwayat tontonan.
- Deep learning dua tahap. Semua petunjuk dipakai: video yang pernah ditonton, kata yang pernah dicari, lokasi. Tahap pertama menyaring jutaan video jadi beberapa ratus, tahap kedua mengurutkannya sampai tersisa beberapa puluh. Yang ditebak adalah berapa lama video akan ditonton (watch time), bukan diklik atau tidak, supaya video clickbait tidak menang.
- Multitask learning dan position bias. Mesin mengejar beberapa tujuan sekaligus: diklik, ditonton, disukai, atau malah ditolak. Mesin juga diberi bagian khusus untuk mengoreksi position bias, yaitu video di posisi paling atas lebih sering diklik walaupun belum tentu paling bagus.
Sumbernya
Bagian YouTube di video ini berdasarkan tiga paper yang ditulis tim YouTube dan Google sendiri:
- James Davidson dkk., "The YouTube Video Recommendation System", RecSys 2010. Menjelaskan cara menghitung video yang sering ditonton bersama dalam satu sesi (co-visitation), biasanya dalam rentang 24 jam.
- Paul Covington, Jay Adams dan Emre Sargin, "Deep Neural Networks for YouTube Recommendations", RecSys 2016. Menjelaskan dua tahap (candidate generation dan ranking), alasan memakai watch time alih-alih klik, dan bahwa sistem sebelumnya memakai matrix factorization.
- Zhe Zhao dkk., "Recommending What Video to Watch Next: A Multitask Ranking System", RecSys 2019. Menjelaskan multitask learning (klik, tontonan, like, dismiss) dan bagian khusus untuk menghapus position bias.
Video paling populer, content-based filtering dan collaborative filtering adalah teknik umum sistem rekomendasi, bukan klaim tentang cara kerja YouTube.
Mau bisa membuat sistem seperti ini?
Sistem rekomendasi, termasuk collaborative filtering, dibahas sambil praktik di bagian Recommender System kursus Machine Learning Part 2.