[논문 리뷰] An Adjustable Heat Conduction based KNN Approach for Session-based Recommendation

Huifeng Guo, Ruiming Tang외 3명|arXiv (Cornell University)|2018. 07. 16.

Recommender Systems and Techniques참고 문헌 24인용 수 6

한 줄 요약

이 논문은 세션 기반 추천을 위한 조정 가능한 열전도 기반 KNN 접근법을 제안하며, 확산 기반 유사도 방법(DSM)과 새로운 후보 선택 전략(EPCSR)을 통해 유사도 측정을 향상시킨다. 하이퍼파라미터 λ와 β를 통해 아이템 인기도와 세션 길이를 통합하고, 최근 클릭의 균형 잡힌 표현을 확보함으로써, 기준 데이터셋에서 HR@20 기준으로 이전 KNN 접근법 대비 최대 10.6% 향상된 최신 기술 수준의 성능을 달성한다.

ABSTRACT

The KNN approach, which is widely used in recommender systems because of its efficiency, robustness and interpretability, is proposed for session-based recommendation recently and outperforms recurrent neural network models. It captures the most recent co-occurrence information of items by considering the interaction time. However, it neglects the co-occurrence information of items in the historical behavior which is interacted earlier and cannot discriminate the impact of items and sessions with different popularity. Due to these observations, this paper presents a new contextual KNN approach to address these issues for session-based recommendation. Specifically, a diffusion-based similarity method is proposed for considering the popularity of vertices in session-item bipartite network, and a candidate selection method is proposed to capture the items that are co-occurred with different historical clicked items in the same session efficiently. Comprehensive experiments are conducted to demonstrate the effectiveness of our KNN approach over the state-of-the-art KNN approach for session-based recommendation on three benchmark datasets.

연구 동기 및 목표

• 기존 KNN 접근법이 아이템 인기도를 고려하지 못하고 관련 세션 선택에서 균형이 깨지는 등의 한계를 해결한다.
• 세션-아이템 이분할 그래프를 확산 과정으로 모델링하여 아이템 인기도와 세션 길이를 모두 고려한 세션 유사도 측정을 향상시킨다.
• 현재 세션의 각 클릭에 대해 관련 세션의 비율이 균형 있게 유지되도록 하여 후보 세션 선택을 향상시킨다. 특히 마지막 클릭에 초점을 맞춘다.
• 최신 기술 수준의 KNN 기반 세션 추천 방법과 비교해 정확도와 다양성 측면에서 더 뛰어난 성능을 달성한다.

제안 방법

• 세션-아이템 이분할 그래프를 확산 과정으로 모델링하여 유사도를 계산하는 확산 기반 유사도 방법(DSM)을 제안하며, 하이퍼파라미터 λ(세션 길이 영향)과 β(아이템 인기도 영향)를 포함한다.
• 현재 세션의 각 클릭에 대해 관련 세션의 비율이 균형 있게 반영되도록 보장하는 후보 선택 전략인 EPCSR(비율 제어 기반 향상된 비례 후보 선택)를 도입한다.
• 열전도의 유사성을 활용해 세션-아이템 그래프를 통해 정보 확산을 시뮬레이션하며, 열이 활성화된 아이템에서 세션으로, 다시 아이템으로 확산되어 공존 패턴을 포착한다.
• DSM 유사도 측정을 KNN 프레임워크 내에서 적용하여, 현재 세션과 가장 가까운 K개의 세션을 DSM 점수 기반으로 선별한다.
• EPCSR를 적용해 각 클릭이 최종 유사도 계산에 기여하는 비중을 조정함으로써 후보 세트를 정밀하게 개선한다.
• 정확도와 다양성의 균형을 확보하기 위해 λ와 β의 하이퍼파라미터를 아블레이션 연구를 통해 최적화하며, 최적의 설정으로 λ=0.5 및 β=0.5를 선택한다.

실험 결과

연구 질문

• RQ1 확산 기반 유사도 방법이 아이템 인기도와 세션 길이를 통합함으로써 세션 기반 추천에서 세션 유사도 측정을 향상시킬 수 있는가?
• RQ2 현재 세션의 다양한 클릭에 대해 비율이 균형 잡힌 관련 세션을 포함하는 후보 선택 전략이 세션 기반 추천에서 더 뛰어난 성능을 내는가?
• RQ3 하이퍼파라미터 λ(세션 길이 영향)과 β(아이템 인기도 영향)가 정확도와 다양성 간의 트레이드오프에 어떤 영향을 미치는가?
• RQ4 제안된 DSM 및 EPCSR 전략이 HR@20, MRR@20 및 Coverage@20 기준으로 최신 기술 수준의 KNN 기반 세션 추천 방법(CKNN-cosine-Original)을 초월할 수 있는가?

주요 결과

• 제안된 CKNN-DSM(0.5,0.5)-EPCSR 방법은 RSC 데이터셋에서 CKNN-cosine-Original 대비 HR@20 기준 최대 10.6% 향상되었으며, RSCW에서는 7.4%, Atom에서는 5.9% 향상되었다.
• RSC 데이터셋에서는 최신 기술 수준의 KNN 접근법 대비 MRR@20 기준 7.1% 향상되었으며, RSCW에서는 8.8%, Atom에서는 Coverage@20 기준 36.6% 향상되었다.
• 최적의 하이퍼파라미터 설정은 λ=0.5 및 β=0.5이며, 이는 정확도와 다양성의 균형을 잘 맞추며 모든 데이터셋에서 최고의 HR@20 및 MRR@20 성능을 달성한다.
• β=0.5 및 λ=0.5 설정에서 DSM 유사도 방법이 최고의 성능을 보였으며, HR@20 및 MRR@20는 이 값에서 최고로 도달했고, Coverage@20는 β가 증가함에 따라 증가하지만 β>0.5일 경우 다른 지표는 악화된다.
• EPCSR 전략은 원래 후보 선택 방법 대비 성능을 크게 향상시켰으며, RSC에서는 HR@20 기준 7.4% 향상되었고, RSCW에서는 6.7%, Atom에서는 1.4% 향상되었다.
• IKNN 기준선은 문맥 정보를 忽略하여 모든 데이터셋에서 HR@20가 0.52 이하에 머물렀으며, 이는 문맥 인식 유사도 및 후보 선택의 필요성을 확인한다.