[논문 리뷰] Deep Learning for Sequential Recommendation: Algorithms, Influential Factors, and Evaluations

Hui Fang, Danning Zhang외 2명|arXiv (Cornell University)|2019. 04. 30.

Recommender Systems and Techniques참고 문헌 146인용 수 78

한 줄 요약

딥러닝 기반의 순차적 추천 시스템에 대한 포괄적 조사로, 세 가지 유형의 행동 시퀀스 분류법, 영향 요인, 그리고 실험적 평가를 통해 설계와 실무를 안내합니다.

ABSTRACT

In the field of sequential recommendation, deep learning (DL)-based methods have received a lot of attention in the past few years and surpassed traditional models such as Markov chain-based and factorization-based ones. However, there is little systematic study on DL-based methods, especially regarding to how to design an effective DL model for sequential recommendation. In this view, this survey focuses on DL-based sequential recommender systems by taking the aforementioned issues into consideration. Specifically,we illustrate the concept of sequential recommendation, propose a categorization of existing algorithms in terms of three types of behavioral sequence, summarize the key factors affecting the performance of DL-based models, and conduct corresponding evaluations to demonstrate the effects of these factors. We conclude this survey by systematically outlining future directions and challenges in this field.

연구 동기 및 목표

• Sequential recommendation에서 사용되는 DL 기법에 대한 포괄적 개요 제공.
• 연속 추천 작업을 위한 분류 프레임워크 제안(세 가지 행동 시퀀스 유형).
• DL 기반 순차 추천자에게 영향을 주는 요인 식별 및 실험을 통한 효과 분석.
• 전통적 방법과 비교하고 실용적 가이드라인 및 향후 과제 제시.

제안 방법

• 세 가지 작업 범주(경험 기반, 거래 기반, 상호작용 기반 추천)로의 DL 기반 순차 추천 시스템에 대한 조사 및 분류 체계.
• 순차 데이터에 적용되는 DL 기법(RNNs, CNNs, MLPs, 주의 메커니즘, GNNs) 및 그 활용 방식에 대한 고찰.
• 실제 데이터셋에 대한 실증 평가를 통해 영향 요인이 성능에 미치는 영향 시연.
• 문헌 및 실험적 통찰을 바탕으로 열린 문제와 향후 연구 방향의 종합.

실험 결과

연구 질문

• RQ1 순차 추천에 사용되는 DL 기법은 어떠하며 작업을 행동 시퀀스로 어떻게 분류할 수 있는가?
• RQ2 DL 기반 순차 추천자의 성능에 영향을 주는 요인은 무엇이며 정확도에 어떤 영향을 미치는가?
• RQ3 실제로 순차 추천에서 DL 기반 접근법은 전통적 방법과 어떻게 비교되는가?
• RQ4 DL 기반 순차 추천의 주요 열린 이슈와 향후 연구를 위한 유망한 방향은 무엇인가?

주요 결과

• DL 기반 순차 추천 모델은 Markov 체인 및 MF 기반 방법과 같은 전통적 접근법에 비해 최첨단 성능을 달성한다.
• 긴 시퀀스는 사용자 행동의 전반적 주제를 학습하는 데 활용될 수 있어 희소 데이터에 대한 강건성을 높이고 다양한 입력 길이를 처리하는 데 도움을 준다.
• 다양한 DL 기법(RNNs, CNNs, MLPs, 주의, GNNs)은 intra-세션 및 inter-세션 다이내믹스를 포착하는 데 보완적 강점을 제공한다.
• 다중 행동 및 다중 작업 학습은 서로 다른 행동 유형으로 표현된 사용자의 의도 모델링을 강화할 수 있다.
• 설명 가능성 및 학습 효율성에 중요한 과제가 있어 해석 가능하고 확장 가능한 모델에 대한 향후 연구 필요성을 제시한다.