Pengembangan Sistem Rekomendasi Canggih: Peran Kunci Multi-view GNN-transformers

Pengembangan Sistem Rekomendasi Canggih: Peran Kunci Multi-view GNN-transformers

 
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.

***

Secara keseluruhan, model Multi-view GNN-transformers yang diperkenalkan oleh Luo at al. (2024) menawarkan terobosan signifikan dalam pengembangan sistem rekomendasi sequential. Dengan menggabungkan informasi kolaboratif dari graf ketergantungan item global dengan urutan perilaku individu, model ini berhasil mengatasi beberapa kelemahan utama dari model-model sebelumnya. Peningkatan akurasi yang ditunjukkan melalui berbagai dataset, seperti HR@20 sebesar 36,20% pada MovieLens-1M, menegaskan bahwa pendekatan ini tidak hanya inovatif tetapi juga efektif dalam meningkatkan kualitas rekomendasi.

Implikasi dari penelitian ini sangat luas, terutama dalam konteks aplikasi dunia nyata di mana sistem rekomendasi memainkan peran kunci dalam pengalaman pengguna. Model ini memungkinkan perusahaan untuk memberikan rekomendasi yang lebih relevan dan akurat, yang pada akhirnya dapat meningkatkan kepuasan dan loyalitas pelanggan. Selain itu, dengan efisiensi komputasi yang lebih baik, model ini juga dapat diimplementasikan secara lebih luas tanpa memerlukan sumber daya yang berlebihan.

Ke depan, tantangan yang mungkin dihadapi adalah bagaimana mengoptimalkan model ini untuk berbagai jenis data yang lebih kompleks dan beragam, serta bagaimana mempertahankan efisiensi komputasi saat skala data terus meningkat. Namun, dengan fondasi yang kuat yang telah dibangun oleh penelitian ini, langkah-langkah menuju pengembangan sistem rekomendasi yang lebih canggih dan adaptif tampaknya semakin dekat. Model Multi-view GNN-transformers tidak hanya menunjukkan potensi besar dalam dunia akademis, tetapi juga dalam aplikasi praktis yang dapat memberikan dampak nyata bagi industri.

Referensi

Luo, T., Liu, Y., & Pan, S. J. (2024). Collaborative sequential recommendations via multi-view GNN-transformers. ACM Transactions on Information Systems, 42(6), Article 141. https://doi.org/10.1145/3649436