Perpustakaan Digital ITB

Model sistem rekomendasi umumnya menganggap setiap interaksi mempunyai tingkat pengaruh yang sama sehingga hasil rekomendasi bersifat statis. Pada nyatanya, hasil rekomendasi diharapkan dapat menangkap perubahan pola perilaku user-item yang disebut sebagai temporal dynamics. Untuk menangani masalah tersebut, saat ini banyak dikembangkan sistem rekomendasi sekuensial yang dapat memodelkan barisan interaksi bergantung waktu (listwise). Tugas akhir ini mengembangkan model sistem rekomendasi sekuensial yang memperhatikan pola perubahan terhadap waktu dengan pendekatan mekanisme self-attention untuk pemrosesan sekuensial dan temporal pattern attention untuk memperhatikan pola perubahan temporal (time-invariant). Hasil tugas akhir ini diharapkan dapat memberikan pandangan baru bahwa perhatian yang relevan dapat lebih menghasilkan personalisasi terhadap perubahan dan perbedaan preferensi dalam sistem rekomendasi.