[논문 리뷰] DAGNN: Demand-aware Graph Neural Networks for Session-based Recommendation

Liqi Yang, Linhan Luo외 3명|arXiv (Cornell University)|2021. 05. 30.

Recommender Systems and Techniques참고 문헌 34인용 수 5

한 줄 요약

이 논문은 세션 기반 추천을 위한 수요 인식 그래프 신경망(DAGNN)을 제안하며, 전역 수요 행렬을 사용해 사용자 세션 수요를 모델링하고, 그래프 신경망을 통해 수요 인식 항목 임베딩을 학습한다. 상호정보량 손실을 함께 최적화하여 실세계 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Session-based recommendations have been widely adopted for various online video and E-commerce Websites. Most existing approaches are intuitively proposed to discover underlying interests or preferences out of the anonymous session data. This apparently ignores the fact these sequential behaviors usually reflect session user's potential demand, i.e., a semantic level factor, and therefore how to estimate underlying demands from a session is challenging. To address aforementioned issue, this paper proposes a demand-aware graph neural networks (DAGNN). Particularly, a demand modeling component is designed to first extract session demand and the underlying multiple demands of each session is estimated using the global demand matrix. Then, the demand-aware graph neural network is designed to extract session demand graph to learn the demand-aware item embedddings for the later recommendations. The mutual information loss is further designed to enhance the quality of the learnt embeddings. Extensive experiments are evaluated on several real-world datasets and the proposed model achieves the SOTA model performance.

연구 동기 및 목표

• 기존 세션 기반 추천 방법이 순차적 행동에서 의미 수준의 사용자 수요를 忽시하는 한계를 해결하기 위해.
• 각 사용자 세션 내의 다중 잠재 수요를 전역 수요 행렬을 사용해 모델링하기 위해.
• 수요 인식 세션 그래프를 구성함으로써 수요 인식 항목 임베딩을 학습하기 위해.
• 학습된 임베딩과 세션 수요 표현 간의 종속성을 극대화하기 위해 상호정보량 손실 목표를 도입하여 임베딩 품질을 향상시키기 위해.
• 실세계 세션 기반 추천 벤치마크에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• 수요 모델링 구성요소는 전역 수요 행렬을 사용해 잠재적 의미적 요인을 포착하는 세션 수준 수요를 추정한다.
• 수요 인식 그래프 신경망은 노드가 항목을 나타내고, 간선이 수요 인식 관계를 인코딩하는 그래프를 구성한다.
• 모델은 추정된 세션 수요에 조건화된 항목 임베딩을 학습하여 개인화를 향상시킨다.
• 학습된 임베딩과 세션 수요 표현 간의 종속성을 극대화하기 위해 상호정보량 손실을 도입한다.
• 전체 모델은 수요 추정과 추천 성능을 함께 최적화하기 위해 엔드 투 엔드로 훈련된다.
• 이 아키텍처는 세션당 다중 수요 모델링을 지원하여 사용자 의도의 미세한 이해를 가능하게 한다.

실험 결과

연구 질문

• RQ1 어떻게 사용자 세션 행동을 효과적으로 모델링하여 잠재적 의미 수준의 수요를 포착할 수 있는가?
• RQ2 수요 인식 표현은 세션 기반 추천 성능을 어느 정도 향상시킬 수 있는가?
• RQ3 전역 수요 행렬은 세션 간 다양한 잠재적 사용자 수요를 효과적으로 포착할 수 있는가?
• RQ4 상호정보량 손실을 통합함으로써 학습된 항목 임베딩의 품질은 어떻게 향상되는가?
• RQ5 제안된 DAGNN 프레임워크는 실세계 세션 기반 추천 작업에서 기존 최신 기술 수준의 방법들을 초월하는가?

주요 결과

• 제안된 DAGNN는 다양한 실세계 세션 기반 추천 데이터셋에서 최신 기술 수준의 성능을 달성한다.
• 전역 수요 행렬의 사용은 세션 내 다층적 사용자 수요 모델링에 있어 뚜렷한 향상을 이룬다.
• 상호정보량 손실 구성요소는 학습된 임베딩의 구분 능력을 향상시킨다.
• 수요 인식 그래프 신경망 아키텍처는 더 정확하고 개인화된 추천을 이끈다.
• 모델은 다양한 세션 기반 추천 시나리오에서 강력한 일반화 능력을 보여준다.
• 실증 결과는 의미 수요 요소를 忽시하는 전통적인 세션 기반 모델에 비해 수요 인식 모델링이 우수한 성능을 내는 것으로 확인된다.