[논문 리뷰] Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation

Yang Lv, Liangsheng Zhuang외 1명|arXiv (Cornell University)|2019. 09. 25.

Recommender Systems and Techniques참고 문헌 13인용 수 4

한 줄 요약

이 논문은 세션 기반 추천을 위한 이웃 강화 및 시간 인지 신경망 모델인 NETA를 제안하며, 세션 내 순차적 행동과 시간적·맥락적으로 유사한 과거 세션들로부터의 협업 신호를 동시에 모델링하여 다음 항목 예측 성능을 향상시킨다. 유도된 어텐션과 시간 인지 유사도, 상보적인 표현을 위한 공-어텐션을 통합함으로써 NETA는 두 개의 실세계 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성한다.

ABSTRACT

Session based recommendation has become one of the research hotpots in the field of recommendation systems due to its highly practical value.Previous deep learning methods mostly focus on the sequential characteristics within the current session,and neglect the context similarity and temporal similarity between sessions which contain abundant collaborative information.In this paper,we propose a novel neural networks framework,namely Neighborhood Enhanced and Time Aware Recommendation Machine(NETA) for session based recommendation. Firstly,we introduce an efficient neighborhood retrieve mechanism to find out similar sessions which includes collaborative information.Then we design a guided attention with time-aware mechanism to extract collaborative representation from neighborhood sessions.Especially,temporal recency between sessions is considered separately.Finally, we design a simple co-attention mechanism to determine the importance of complementary collaborative representation when predicting the next item.Extensive experiments conducted on two real-world datasets demonstrate the effectiveness of our proposed model.

연구 동기 및 목표

• 기존 세션 기반 추천 모델이 단일 세션 내 순차적 패턴에만 집중하고 비슷한 과거 세션들로부터의 협업 정보를 간과하는 한계를 해결하기 위해.
• 세션 간 맥락 유사도(행동 패턴)와 시간적 최근성(시간 간격)을 통합하여 추천 정확도를 향상시키기 위해.
• 메모리 제약 조건에 의존하지 않고 k개의 가장 관련성이 높은 과거 세션을 효율적으로 검색하는 이웃 검색 기반 메커니즘을 설계하기 위해.
• 예측 과정에서 이웃 정보의 중요도를 가중치로 고려하는 공-어텐션 기반 메커니즘을 통해 순차적 모델링과 상보적인 협업 표현을 통합하기 위해.

제안 방법

• 행동 유사도와 시간적 최근성을 기반으로 과거 세션 중 k개의 가장 유사한 세션을 식별하는 효율적인 이웃 검색 기반 메커니즘을 도입한다.
• 현재 세션의 순차적 특징과 세션 간 시간 간격을 사용하여 이웃 세션에 대한 어텐션 가중치를 계산하는 유도된 어텐션 기반 메커니즘을 활용한다.
• 순차적 행동 패턴과 시간적 최근성을 조합한 하이브리드 유사도 점수를 사용하여 관련성이 높은 과거 세션을 우선순위로 정렬한다.
• 예측 시 이웃 세션의 협업 표현 기여도를 동적으로 가중치로 조정하기 위해 공-어텐션 기반 메커니즘을 적용한다.
• 현재 세션 임베딩과 이웃 세션 임베딩을 위한 이중 인코더 구조를 사용하며, 어텐션은 현재 세션의 순차적 상태에 의해 유도된다.
• 유도된 어텐션 모듈에서 트랜스포저 스타일의 자기어텐션을 활용하여 세션 간 장거리 의존성과 맥락적 관련성을 모델링한다.

실험 결과

연구 질문

• RQ1 유사한 과거 세션들로부터의 협업 필터링과 순차적 모델링을 결합하면 세션 기반 추천 성능이 향상되는가?
• RQ2 세션 간 시간적 최근성이 이웃 세션의 관련성에 어떤 영향을 미치는가?
• RQ3 명시적으로 k-최근접 이웃 세션들을 검색하고 어텐션을 적용하는 방식이 최근 세션만 저장하는 메모리 기반 접근 방식보다 우월한가?
• RQ4 맥락 유사도와 시간 유사도를 동시에 통합하면 단일 기반 모델보다 추천 정확도가 얼마나 향상되는가?

주요 결과

• NETA는 Diginetica와 RetailRocket 데이터셋 모두에서 최신 기술 수준(SOTA) 성능을 달성하며, CSRM 및 NARM와 같은 SOTA 모델을 포함한 모든 베이스라인 모델을 능가한다.
• NETA-NARM 모델은 Diginetica에서 Recall@20가 63.80, MRR@20가 28.08을 기록하여 NARM(63.59 Recall@20)을 뛰어넘으며 협업 신호의 가치를 입증한다.
• 제거 실험 결과 시간 기반 헤드가 성능 향상에 기여하는 것으로 확인되었다: NETA(63.80 Recall@20)는 NE(63.59 Recall@20)보다 우수하며, 시간적 최근성이 유사도 추정을 향상시킨다는 것을 증명한다.
• Recall@10 및 Recall@5 평가에서 NETA는 일관된 우위를 유지하여 제한된 추천 목록을 가진 실세계 환경에서 더 정밀한 추천을 제공함을 시사한다.
• 모델은 다양한 데이터셋에 대해 강건함을 보이며, Diginetica에서는 성능 향상이 더 크지만 RetailRocket에서도 SessionKNN을 능가함을 통해 일반화 능력을 입증한다.
• 공-어텐션 기반 메커니즘이 순차적 및 협업 신호를 효과적으로 균형 잡으며, NETA-NARM와 NETA-STAMP는 각각 기반 모델(NARM 및 STAMP)보다 일관된 성능 향상을 보였다.