সমস্যা: বিভিন্ন সংকেত ভিন্ন গতিতে পুরনো হয়ে যায়
মাল্টিমোডাল রেকমেন্ডেশন সিস্টেম অনেক আগেই শুধু ক্লিকের ইতিহাসের উপর নির্ভর করা ছেড়ে দিয়েছে। তারা "ব্যবহারকারী — বস্তু" মিথস্ক্রিয়ার সাথে বস্তুর নিজস্ব বিষয়বস্তু মিশিয়ে দেয়: বিবরণ, ছবি, শব্দ। যুক্তি সহজ — তথ্যের যত বেশি চ্যানেল, পূর্বাভাস তত নির্ভুল। বাস্তবে ব্যাপারটা আরও জটিল: প্রতিটি চ্যানেলের অবদান স্থির নয়, তা সময়ের সাথে বদলায়, তাও আবার নিজস্ব গতিতে।
arXiv:2608.10983 গবেষণাপত্রের লেখকরা (Pengyu Zhang, Yangqin Jiang, Klim Zaporojets, Congfeng Cao, Paul Groth; প্রথম সংস্করণ — ১১ আগস্ট ২০২৬, দ্বিতীয়টি — ২৪ আগস্ট) এটিকে modality time-scale mismatch — মোডালিটিগুলোর সময়-স্কেলের অসঙ্গতি — বলে অভিহিত করেছেন। তাদের উদাহরণ: ভ্যালেন্টাইন ডে-র কাছাকাছি সময়ে চকলেট বাছাইয়ের সময় মানুষ উপাদান কম পড়ে এবং প্যাকেজিং ও কার্ডের শব্দের দিকে বেশি তাকায়। টেক্সট বৈশিষ্ট্যগুলো ওজন হারায়, ভিজ্যুয়াল ও অডিও — বাড়ায়। দুই সপ্তাহ পর অনুপাত আবার বদলে যায়।
এই পর্যবেক্ষণ থেকে দুটি আলাদা সমস্যা জন্ম নেয়। প্রথমটি: মানুষের আচরণের গতি ভিন্ন, আর এক ব্যবহারকারীর জন্য এক অনুপাতের মোডালিটি দরকার, অন্যজনের জন্য সম্পূর্ণ ভিন্ন। দ্বিতীয়টি, কম স্পষ্ট: যে মোডালিটি প্রাসঙ্গিকতা হারিয়েছে, সে শুধু সাহায্য করা বন্ধ করে না — সে সক্রিয়ভাবে ক্ষতি করতে শুরু করে, মডেলে পুরনো ও বিভ্রান্তিকর সংকেত ঢুকিয়ে দেয়।
TimeRoute: নির্দিষ্ট ব্যবহারকারীর জন্য রাউটিং
দুটি সমস্যার সমাধানই একটি ডিফিউশন আর্কিটেকচারে একত্র করা হয়েছে — TimeRoute। এর মূল কথা হলো সার্বজনীন ফিউশন সহগ প্রত্যাখ্যান করা, যা বছরের পর বছর মানদণ্ড ছিল: নাকি টেক্সটের ওজন সবসময় ০.৪, ছবির — ০.৩৫, বাকিটা — সামান্য।
সাধারণ ওজনের বদলে ব্যক্তিগত বণ্টন
মূল উপাদান — মোডালিটির টেম্পোরাল রাউটার। এটি নির্দিষ্ট ব্যবহারকারীর আচরণকে একটি সংক্ষিপ্ত টেম্পোরাল প্রোফাইলে সমন্বিত করে এবং সেটিকে মোডালিটিগুলোর উপর ব্যক্তিগত ওজন-বণ্টনে রূপান্তর করে। অর্থাৎ "এখানে প্রথমে কী দেখতে হবে" প্রশ্নটি পুরো সিস্টেমের জন্য বৈশ্বিকভাবে নয়, বরং প্রতিটি টেম্পোরাল আচরণ প্রোফাইলের জন্য আলাদাভাবে সমাধান করা হয়।
ডিনয়েজিংয়ের দুটি দিগন্ত
দ্বিতীয় অংশ — গ্রাফের ডিফিউশন পুনর্গঠক। একই টেম্পোরাল প্রোফাইল Feature-wise Linear Modulation (FiLM)-এর মাধ্যমে এতে সরবরাহ করা হয়, আর ডিনয়েজিং দুটি হেড-প্রবাহে ভাগ করা হয়েছে: দীর্ঘমেয়াদি ও স্বল্পমেয়াদি। ধীর প্রবণতা ও দ্রুত স্পাইক ভিন্ন শাখায় প্রক্রিয়া করা হয়, এবং এটি মৌলিক — এগুলোকে একটি চ্যানেলে মিশিয়ে ফেলা মানে ঠিক সেই পার্থক্যটিই হারানো, যার জন্য সবকিছু শুরু হয়েছিল।
এখানে ডিফিউশন কেন দরকার? এটি মোডাল এজগুলোকে প্রচার গ্রাফে ঢোকার আগেই ছেঁকে ফেলতে দেয়। পুরনো সংযোগ পরবর্তীতে দুর্বল করা হয় না — তা আদৌ তৈরি হয় না। এটি ইতিমধ্যে প্রস্তুত গ্রাফকে ওজন দেওয়ার চেয়ে মৌলিকভাবে ভিন্ন পদ্ধতি।
পরীক্ষা: তিনটি ডেটাসেট, দশটি রান
লেখকরা তিনটি ডেটাসেটে সিস্টেমটি যাচাই করেছেন — TikTok-এর ছোট ভিডিও, Amazon-Baby এবং Amazon-Sports। প্রতিটি ফলাফল দশটি র্যান্ডম ইনিশিয়ালাইজেশনের উপর গড় করা, যা রেকমেন্ডেশন বেঞ্চমার্কের জন্য বেশ কঠোর: এখানে রানগুলোর মধ্যে তারতম্য সাধারণত অর্ধেক উন্নতি খেয়ে ফেলে।
শক্তিশালী বেসলাইন মডেলের তুলনায় উন্নতিগুলো Recall@K, Precision@K এবং NDCG@K-তে স্থিতিশীল। সবচেয়ে লক্ষণীয় নথিভুক্ত ফলাফল — Amazon-Baby-তে P@20-এ ৯.৮% পর্যন্ত বৃদ্ধি। গুরুত্বপূর্ণ হলো, এই বৃদ্ধি একবারের নয় এবং একটি মেট্রিকের সাথে বাঁধা নয়: এটি পরিমাপের পুরো সেট জুড়ে প্রকাশ পায়।
Attribution: শুধু সংখ্যা নয়, প্রক্রিয়ার যাচাই
কাজের আলাদা একটি অংশ — নিয়ন্ত্রিত attribution-исследования। এটি সেই প্রশ্নের উত্তর দেওয়ার চেষ্টা, যা প্রায়ই আড়ালে থেকে যায়: বৃদ্ধিটা আসলে কী দিয়েছে — প্রস্তাবিত ধারণা, নাকি আর্কিটেকচারে আকস্মিক মিল?
সিদ্ধান্তগুলো কঠোর হয়েছে। উন্নতির জন্য একইসাথে নতুন প্রক্রিয়া এবং টেম্পোরাল ইনপুট দুটোই দরকার। যদি একই টেম্পোরাল প্রোফাইল সাধারণ ব্যাকবোনকে দেওয়া হয়, রাউটিং পদ্ধতি না বদলে, কোনো লাভ হবে না। আর যদি রাউটারকে র্যান্ডম নয়েজ দেওয়া হয়, ফলাফল মডেল থেকে রাউটার সম্পূর্ণ সরিয়ে ফেলার চেয়ে ভালো হবে না।
সহজ কথায়, কাজ করে সিস্টেমে টেম্পোরাল ডেটার উপস্থিতি নয়, বরং নির্দিষ্ট সংযোগ "প্রোফাইল → মোডালিটির বণ্টন → নিয়ন্ত্রিত ডিনয়েজিং-পুনর্গঠন"। যেকোনো একটি উপাদান সরিয়ে ফেললে গঠনটি ভেঙে পড়ে।
বাস্তবে এর অর্থ কী
কাজের মূল ভাবনা রেকমেন্ডেশনের সীমা ছাড়িয়ে যায়। মাল্টিমোডালিটি সাধারণত সঞ্চয় হিসেবে ধরা হয়: আরেকটি ডেটা সোর্স যোগ করা হলো — আরও ভালো হলো। TimeRoute মনে করিয়ে দেয়, সোর্সগুলো পরস্পরের সাথে প্রতিযোগিতা করে, আর তাদের অনুপাত মডেলের যেকোনো ওজনের মতোই একটি সমন্বয়যোগ্য রাশি।
দ্বিতীয় ব্যবহারিক সিদ্ধান্তটি পুরনো হয়ে যাওয়া নিয়ে। রেকমেন্ডেশন সিস্টেমে পুরনো সংকেতের সাথে ব্যবহারকারীর পছন্দের স্তরে লড়াই করার রীতি — ইতিহাস পুনর্গণনা করা, পুরনো ক্লিক ভুলে যাওয়া। এখানে একই সমস্যা মোডালিটির স্তরে তোলা হয়েছে: পুরনো হয়ে যেতে পারে মানুষের রুচি নয়, বরং তথ্যের একটি সম্পূর্ণ চ্যানেলের প্রাসঙ্গিকতা। আর এর সাথে লড়াই করা যুক্তিসঙ্গতভাবে গ্রাফে ঢোকার মুখে, আবর্জনা পুরো গঠন জুড়ে ছড়িয়ে পড়ার পরে নয়।
তৃতীয় বিষয় — বণ্টনের ব্যক্তিকরণ। ধারণাটি হলো, মোডালিটির অনুপাত নির্দিষ্ট ব্যক্তির টেম্পোরাল প্রোফাইল থেকে নেওয়া উচিত, পুরো প্ল্যাটফর্মের জন্য একবার নির্ধারণ করা নয় — এটি স্থানান্তরযোগ্য মনে হয়। একই নীতি সেখানে প্রযোজ্য যেখানে ভিন্নধর্মী সংকেত মিলিত হয়: সার্চ, ফিড র্যাঙ্কিং, কনটেন্টের ধরন অনুযায়ী মিশ্র ক্যাটালগ। লেখকরা কোড ওপেন-সোর্স করেছেন, তাই নিজের ডেটায় পদ্ধতিটি যাচাই করা вполне সম্ভব।
