Meningkatkan Kinerja Rekomendasi hingga 8% dengan GNN-Transformers Multi-View
Graph Neural Networks (GNN) telah menjadi salah satu inovasi paling signifikan dalam pengolahan data berstruktur graf, terutama untuk aplikasi sistem rekomendasi. Dalam perkembangan terbaru, penelitian oleh Luo, Liu, dan Pan (2024) memperkenalkan pendekatan baru menggunakan GNN-transformers multi-view untuk sistem rekomendasi berurutan, yang secara efektif mengatasi tantangan dalam memahami perilaku pengguna. Transformasi ini penting karena sistem rekomendasi yang ada sering kali berfokus pada pola kronologis antar item dalam perilaku individual pengguna. Namun, pendekatan tersebut kerap gagal ketika perilaku pengguna berubah mendadak atau ketika riwayat pengguna terbatas. Dengan menggabungkan GNN dan transformers, model baru ini tidak hanya fokus pada perilaku individual, tetapi juga memanfaatkan informasi kolaboratif antar pengguna yang sebelumnya diabaikan.
Penelitian ini menekankan bahwa di masa depan, metode yang lebih adaptif seperti ini akan sangat penting, terutama di platform-platform dengan volume data yang besar, seperti e-commerce atau layanan streaming. Penerapan GNN-transformer multi-view ini menunjukkan hasil eksperimen yang sangat positif, dengan peningkatan akurasi rekomendasi hingga 6,7% di dataset Yelp dan 8,1% di MovieLens-1M, dibandingkan dengan model rekomendasi tradisional. Di dunia di mana pengalaman pengguna yang dipersonalisasi menjadi kunci keberhasilan bisnis, kemajuan seperti ini memberikan peluang besar bagi perusahaan yang ingin mengoptimalkan layanan mereka melalui pendekatan berbasis AI yang lebih canggih.
Melihat potensi teknologi ini, sistem rekomendasi yang memanfaatkan GNN-transformer multi-view tampaknya akan menjadi standar baru dalam pengembangan model prediktif yang lebih efisien dan responsif.
***
Pendekatan GNN-transformer multi-view yang diperkenalkan oleh Luo dkk.(2024) adalah lompatan besar dalam sistem rekomendasi berurutan. Sistem ini memanfaatkan Graph Neural Networks (GNN) untuk menangkap hubungan antar item di dalam jaringan ketergantungan item global, sementara transformers digunakan untuk memahami urutan perilaku pengguna. Teknologi ini mengatasi dua kelemahan utama dalam sistem rekomendasi tradisional: ketergantungan berlebihan pada data individual pengguna dan ketidakmampuan untuk menangani perubahan perilaku yang mendadak.
Pentingnya pendekatan ini tidak dapat dilebih-lebihkan, terutama ketika diterapkan di industri yang mengandalkan volume data besar dan perilaku pengguna yang dinamis, seperti e-commerce. Data dari Grand View Research (2022) menunjukkan bahwa pasar sistem rekomendasi global bernilai $2,7 miliar pada tahun 2021 dan diperkirakan akan tumbuh dengan CAGR 33,6% dari 2022 hingga 2030. Angka ini mencerminkan kebutuhan yang meningkat untuk teknologi rekomendasi yang lebih cerdas dan adaptif. Dengan model GNN-transformer multi-view, rekomendasi dapat lebih presisi karena memanfaatkan data kolaboratif antar pengguna, sehingga lebih relevan dengan kebutuhan yang terus berubah.
Dalam eksperimen yang dilakukan oleh Luo dkk., model ini menunjukkan kinerja yang luar biasa di lima dataset berbeda, termasuk Yelp dan MovieLens-1M. Di dataset Yelp, model ini meningkatkan akurasi hingga 6,7%, sementara di MovieLens-1M, peningkatan mencapai 8,1%. Angka-angka ini sangat signifikan karena rekomendasi yang lebih akurat dapat langsung berkontribusi pada peningkatan tingkat konversi dan kepuasan pelanggan. Menurut laporan dari McKinsey (2021), personalisasi yang didorong oleh sistem rekomendasi yang efektif dapat meningkatkan pendapatan perusahaan hingga 15%. Ini menegaskan bahwa teknologi seperti GNN-transformer multi-view bukan hanya sekadar inovasi teknis, tetapi juga alat strategis yang dapat meningkatkan profitabilitas bisnis.
Keunggulan utama dari sistem ini adalah kemampuannya untuk menangani fluktuasi perilaku pengguna. Dalam dunia nyata, pengguna sering kali menunjukkan pola perilaku yang tidak konsisten atau eksploratif, seperti mencoba produk yang berbeda dari preferensi biasanya. Dalam model rekomendasi tradisional, perilaku semacam ini bisa menurunkan akurasi prediksi. Namun, dengan memanfaatkan jaringan ketergantungan item global, GNN-transformer multi-pemandangan dapat mengurangi dampak dari fluktuasi ini. Hal ini terjadi karena model ini dapat menarik informasi dari perilaku pengguna lain yang memiliki pola serupa, sehingga membuat rekomendasi tetap relevan dan akurat meskipun perilaku individu berubah.
Dengan demikian, GNN-transformer multi-view membawa pendekatan yang lebih robust dalam memahami perilaku pengguna. Platform e-commerce, layanan streaming, dan bahkan sektor perbankan digital dapat mengadopsi teknologi ini untuk memperbaiki sistem rekomendasi mereka. Keunggulan utama dari pendekatan ini bukan hanya terletak pada peningkatan akurasi, tetapi juga pada fleksibilitasnya dalam menangani data yang kompleks dan dinamis.
***
