Penerapan sistem rekomendasi pada platform online ternyata menghasilkan data
dengan volume yang besar dan dengan laju yang tidak diduga-duga sehingga lebih
realitis untuk mempelajari sistem rekomendasi di bawah pengaturan streaming.
Banyak penelitian yang mencoba mengembangkan sistem rekomendasi streaming
salah satunya adalah Stream-centered Probabilistic Matrix Factorization (SPMF).
Pada SPMF, model akan diperbarui terus menerus setiap satu window data stream
masuk kedalam sistem dengan menggunakan data yang dikelola pada reservoir
ditambah data pada window data stream.
Penelitian ini fokus mengembangkan teknik reservoir sampling pada metode SPMF
yaitu uniform random sampling yang mana teknik ini dapat mengakibatkan
kesalahan perangkingan model akibat hilangnya data pengamatan dari memori.
Untuk mengurangi konsekuensi ini, sampel dipilih berdasarkan skor faktorisasi
matriks yang mana skor ini dianggap dapat merepresentasikan popularitas item.
Selain itu pada penelitian ini juga dikembangkan teknik paralelisasi algoritma
pembaruan model pada SPMF untuk tujuan peningkatan skalabilitas. Berdasarkan
percobaan yang dilakukan pada dataset Bukalapak, metode yang diajukan terbukti
memiliki kualitas rekomendasi yang lebih baik dari metode baseline dan setidaknya
mencapai 84% kualitas BPR-MF dengan reduksi dataset hingga 78% dan waktu
komputasi 60 kali lebih cepat. Komputasi paralel juga dapat meningkatkan
kecepatan komputasi sebesar 23% dengan menggunakan 4 worker.