Pengembangan Sistem Rekomendasi Canggih: Peran Kunci Multi-view GNN-transformers
Â
Kemajuan teknologi dalam beberapa dekade terakhir telah membawa kita ke era di mana data menjadi aset paling berharga dalam pengambilan keputusan bisnis. Salah satu implementasi teknologi yang terus berkembang pesat adalah sistem rekomendasi, yang memainkan peran penting dalam berbagai industri seperti e-commerce, streaming media, dan jejaring sosial. Di tengah persaingan yang semakin ketat, perusahaan terus mencari cara untuk memberikan rekomendasi yang lebih akurat dan relevan kepada penggunanya. Di sinilah kontribusi dari model Multi-view GNN-transformers yang diusulkan oleh Tianze Luo, Yong Liu, dan Sinno Jialin Pan dalam artikel terbaru mereka menjadi sangat relevan.
Model ini menawarkan pendekatan baru untuk mengatasi tantangan dalam sistem rekomendasi sequential, khususnya dalam hal memanfaatkan informasi kolaboratif antar pengguna. Sementara model sebelumnya, seperti RNNs dan Transformers, lebih fokus pada urutan perilaku individu, model Multi-view GNN-transformers memperkenalkan konsep graf ketergantungan item global yang memungkinkan penggabungan informasi dari berbagai pengguna. Ini adalah langkah maju yang signifikan, terutama mengingat bahwa model tradisional sering kali sensitif terhadap panjang urutan perilaku dan cenderung mengabaikan informasi dari pengguna lain.
Hasil penelitian menunjukkan bahwa pendekatan ini berhasil meningkatkan akurasi rekomendasi, dengan peningkatan yang signifikan pada metrik seperti Hit Ratio (HR) dan Normalized Discounted Cumulative Gain (NDCG) pada dataset seperti Yelp dan MovieLens-1M. Sebagai contoh, pada dataset Yelp, model ini mencapai HR@20 sebesar 7,38%, jauh melampaui model-model sebelumnya seperti SURGE yang hanya mencapai 6,92%. Ini membuktikan bahwa integrasi informasi kolaboratif dapat memberikan dampak positif yang substansial dalam meningkatkan kualitas rekomendasi.
***
Pendekatan yang diperkenalkan oleh Luo at al. (2024) dalam model Multi-view GNN-transformers menawarkan inovasi yang mengubah cara sistem rekomendasi sequential beroperasi. Dengan memanfaatkan Graph Neural Networks (GNN) yang dikombinasikan dengan Transformer, model ini tidak hanya melihat urutan perilaku pengguna secara kronologis, tetapi juga memanfaatkan informasi dari graf ketergantungan item global. Pendekatan ini memungkinkan sistem rekomendasi untuk menangkap pola perilaku pengguna yang lebih kompleks dan mengintegrasikan informasi dari perilaku pengguna lain, yang sebelumnya sering diabaikan oleh model-model tradisional.
Salah satu keunggulan utama dari model ini adalah kemampuannya untuk mengatasi masalah sensitivitas terhadap panjang urutan perilaku pengguna. Dalam model tradisional seperti RNN atau Transformer standar, prediksi sering kali menjadi tidak akurat ketika urutan perilaku pengguna terlalu pendek atau tidak konsisten. Hal ini terutama menjadi masalah ketika pengguna menunjukkan perilaku yang tidak terduga, seperti berinteraksi dengan item yang tidak relevan karena rasa ingin tahu sesaat. Model Multi-view GNN-transformers mengatasi masalah ini dengan menggabungkan informasi dari graf ketergantungan item yang lebih luas, yang memungkinkan model untuk tetap memberikan rekomendasi yang akurat meskipun terdapat fluktuasi perilaku pengguna.
Dalam eksperimen yang dilakukan, model ini diuji pada lima dataset benchmark, termasuk Yelp, MovieLens-1M, dan Amazon Video Games. Hasilnya, model ini menunjukkan peningkatan kinerja yang signifikan dibandingkan dengan metode rekomendasi sequential sebelumnya. Sebagai contoh, pada dataset MovieLens-1M, model ini mencapai HR@20 sebesar 36,20%, yang merupakan peningkatan yang mencolok dibandingkan dengan model SAPL yang mencapai HR@20 sebesar 30,17%. Peningkatan sebesar 6,03% ini menunjukkan bahwa model yang mengintegrasikan informasi kolaboratif dapat lebih efisien dalam memprediksi preferensi pengguna.
Selain itu, model ini juga dirancang untuk mengurangi kompleksitas komputasi yang biasanya terkait dengan penggunaan GNN dalam sistem rekomendasi. Dengan menggunakan agregasi graf hierarkis dan mekanisme sampling Dirichlet, model ini dapat mengolah graf dengan lebih efisien tanpa mengorbankan akurasi. Ini menjadikannya lebih praktis untuk diterapkan pada skala besar, seperti pada platform e-commerce dengan jutaan pengguna dan item.
Keberhasilan model ini tidak hanya terletak pada peningkatan akurasi, tetapi juga pada fleksibilitas dan skalabilitasnya. Dengan kemampuan untuk beradaptasi dengan berbagai jenis data dan skenario pengguna, model Multi-view GNN-transformers membuka jalan baru bagi pengembangan sistem rekomendasi yang lebih canggih dan relevan. Implementasi model ini diharapkan dapat memberikan pengalaman yang lebih personal dan memuaskan bagi pengguna, sekaligus meningkatkan efisiensi bisnis dalam berbagai sektor industri.
