[논문 리뷰] Context Tree for Adaptive Session-based Recommendation

Fei Mi, Boi Faltings|arXiv (Cornell University)|2018. 06. 10.

Recommender Systems and Techniques참고 문헌 27인용 수 8

한 줄 요약

이 논문은 장기적인 사용자 프로파일이 없는 세션 기반 추천 시스템에서, 변동 가능한 순서의 마르코프 모델을 활용해 순차적 패턴을 효율적으로 학습하고 관찰 수가 적은 새로운 아이템에 빠르게 적응할 수 있도록 하는 컨텍스트 트리(CT) 모델을 제안한다. CT는 RNN 및 히우리스틱 근접 이웃과 같은 최첨단 기법들을 능가하며, 특히 자주 새로운 아이템이 등장하는 적응형 환경에서 뛰어난 성능을 보이며, 장시간 지속되는 세션과 신규 콘텐츠에서 뛰어난 성능을 입증한다.

ABSTRACT

There has been growing interests in recent years from both practical and research perspectives for session-based recommendation tasks as long-term user profiles do not often exist in many real-life recommendation applications. In this case, recommendations for user's immediate next actions need to be generated based on patterns in anonymous short sessions. An often overlooked aspect is that new items with limited observations arrive continuously in many domains (e.g. news and discussion forums). Therefore, recommendations need to be adaptive to such frequent changes. In this paper, we benchmark a new nonparametric method called context tree (CT) against various state-of-the-art methods on extensive datasets for session-based recommendation task. Apart from the standard static evaluation protocol adopted by previous literatures, we include an adaptive configuration to mimic the situation when new items with limited observations arrives continuously. Our results show that CT outperforms two best-performing approaches (recurrent neural network; heuristic-based nearest neighbor) in majority of the tested configurations and datasets. We analyze reasons for this and demonstrate that it is because of the better adaptation to changes in the domain, as well as the remarkable capability to learn static sequential patterns. Moreover, our running time analysis illustrates the efficiency of using CT as other nonparametric methods.

연구 동기 및 목표

• 장기적인 사용자 프로파일이 없는 세션 기반 시스템에서 관련 있는 아이템을 추천하는 문제에 대응한다.
• 정적 설정 외에도 새로운 아이템이 지속적으로 도착하고 관찰 수가 적은 환경에서의 추천 모델 성능을 평가한다.
• 비모수적 방법인 CT가 효율적인 업데이트 및 적응 능력을 바탕으로 동적 추천 환경에 더 적합하다는 것을 입증한다.
• 다양한 데이터셋에서 정적 및 적응형 평가 프로토콜을 기반으로 CT를 최첨단 모델들(예: GRU4Rec, SKNN, Online-MF)과 비교 평가한다.
• 기존의 정적 순차적 패턴 학습과 관찰 수가 적은 새로운 아이템에 대한 빠른 적응 능력을 CT가 효과적으로 통합할 수 있음을 보여준다.

제안 방법

• 원래 손실 없는 데이터 압축을 위해 설계된 비모수적 구조인 컨텍스트 트리(CT)를 세션 기반 추천에 적용한다.
• 변동 가능한 순서의 마르코프 모델을 사용하여 사용자 세션 내의 순차적 의존성을 포착하며, 컨텍스트 길이가 데이터 가용성에 따라 자동 조정된다.
• 새로운 아이템과 세션 패턴에 따라 동적으로 성장하는 트리 구조에 전이 확률을 저장하고 업데이트한다.
• 관측된 아이템 시퀀스에 해당하는 트리의 경로만 수정함으로써 전체 재학습 없이도 효율적인 모델 업데이트를 가능하게 한다.
• 트리 내 공유된 컨텍스트를 활용해 오래된 지식과 새로운 지식을 통합함으로써, 새로운 아이템에 대한 빠른 추론과 적응을 가능하게 한다.
• CT를 두 가지 구성으로 평가한다: 표준 정적 평가와 새로운 아이템이 지속적으로 도착하고 관찰 수가 적은 환경을 시뮬레이션하는 적응형 구성.

실험 결과

연구 질문

• RQ1 표준 정적 평가 설정에서 컨텍스트 트리(CT) 모델은 최첨단 기법들(예: RNN, KNN, MF)과 비교해 어떻게 성능을 내는가?
• RQ2 CT는 관찰 수가 적은 새로운 아이템에 대해 동적 환경에서 효과적으로 적응할 수 있는가? 다른 비모수적 및 모수적 모델들과 비교해 성능는 어떠한가?
• RQ3 CT가 변동 가능한 순서의 순차적 패턴을 학습하는 능력이 성능에 기여하는 정도는 어떠한가? 특히 장시간 지속되는 세션에서 그 기여도는?
• RQ4 다양한 모델들에서 추천된 아이템의 신선도(즉, 아이템 생성 후 경과 시간)와 추천 성능 간의 상관관계는 어떠한가?
• RQ5 실제 적응형 추천 시스템에서 모델의 적응 능력, 추론 효율성, 성능 사이의 상호 상충 관계는 어떠한가?

주요 결과

• CT는 대부분의 테스트 데이터셋과 구성에서 두 주요 기법인 GRU4Rec과 SKNN을 능가하며, 특히 새로운 아이템이 등장하는 적응형 설정에서 뛰어난 성능을 보인다.
• 적응형 평가에서 CT는 Online-MF보다 훨씬 더 많은 신선한 아이템을 추천하며, ECDF 분석 결과 아이템의 신선도가 증가할수록 추천 빈도가 급격히 상승하는 경향을 보였다.
• CT는 모든 수준의 아이템 신선도에서 안정적인 성능을 유지하며, 특히 장시간 지속되는 세션(예: MOOC 데이터셋)에서 SKNN과 GRU4Rec을 뛰어넘는 성능을 보였다.
• CT의 조건부 성공률 P(Success|Freshness)는 매우 새로운 아이템에 대해서도 높은 수준을 유지하며, 희소 데이터와 변화하는 아이템 풀에 대한 강력한 적응 능력을 보여준다.
• 실행 시간 분석 결과 CT는 계산적으로 효율적이며, 빠른 학습 및 업데이트 시간을 제공함으로써 동적 환경에서 산업적 구현에 적합하다.
• RNN 기반 모델인 GRU4Rec은 충분한 데이터가 있는 장시간 세션에서는 뛰어난 성능을 보이지만, 관찰 수가 적은 새로운 아이템에 대해 일반화 능력이 떨어져서 성능이 떨어지며, 이는 비모수적 방법이 적응형 환경에서 유리함을 보여준다.