[논문 리뷰] RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation

Pengjie Ren, Zhumin Chen외 4명|arXiv (Cornell University)|2018. 12. 06.

Recommender Systems and Techniques참고 문헌 16인용 수 17

한 줄 요약

RepeatNet은 세션 기반 추천에서 반복 소비를 명시적으로 모델링하기 위해 이중 디코더를 갖춘 반복-탐색 기반 메커니즘을 도입한 새로운 신경 추천 모델이다. 이는 과거 항목을 재사용하고 새로운 항목을 탐색하는 데 기여한다. RepeatNet은 세 가지 벤치마크 데이터셋에서 최신 기술을 초월하며, MRR 및 Recall에서 뚜렷한 성능 향상을 보이며, 반복 비율과 데이터셋 크기가 증가할수록 그 성능 향상이 더욱 두드러진다.

ABSTRACT

Recurrent neural networks for session-based recommendation have attracted a lot of attention recently because of their promising performance. repeat consumption is a common phenomenon in many recommendation scenarios (e.g., e-commerce, music, and TV program recommendations), where the same item is re-consumed repeatedly over time. However, no previous studies have emphasized repeat consumption with neural networks. An effective neural approach is needed to decide when to perform repeat recommendation. In this paper, we incorporate a repeat-explore mechanism into neural networks and propose a new model, called RepeatNet, with an encoder-decoder structure. RepeatNet integrates a regular neural recommendation approach in the decoder with a new repeat recommendation mechanism that can choose items from a user's history and recommends them at the right time. We report on extensive experiments on three benchmark datasets. RepeatNet outperforms state-of-the-art baselines on all three datasets in terms of MRR and Recall. Furthermore, as the dataset size and the repeat ratio increase, the improvements of RepeatNet over the baselines also increase, which demonstrates its advantage in handling repeat recommendation scenarios.

연구 동기 및 목표

• 신경 세션 기반 추천 시스템에서 반복 소비를 명시적으로 모델링하지 못하는 문제를 해결한다.
• 사용자가 같은 항목을 반복해서 소비하는 경우(예: 전자상거래, 음악, TV)의 추천 성능을 향상시킨다.
• 이전에 상호작용한 항목을 추천할지, 새로운 항목을 추천할지 동적으로 결정할 수 있는 메커니즘을 개발한다.
• 통합 프레임워크 내에서 모드 전환(반복 대 대안 탐색)과 항목 점수 계산을 엔드 투 엔드로 학습할 수 있도록 한다.

제안 방법

• 세션 기록을 표현하기 위해 GRU 기반 인코더를 사용하는 인코더-디코더 아키텍처를 사용한다.
• 두 가지 추천 모드 간 전환 확률을 학습하는 반복-탐색 기반 메커니즘을 도입한다: 반복(과거 항목 추천) 및 탐색(미리 본 적 없는 항목 추천).
• 이중 디코더를 활용한다: 하나는 과거 항목에 대한 추천 확률을 계산하기 위한 반복 모드용, 다른 하나는 미리 보지 않은 항목에 대한 추천 확률을 계산하기 위한 탐색 모드용.
• 모드 전환 확률과 양쪽 디코더에서 도출된 항목 점수를 확률적 융합을 통해 조합하여 최종 추천 점수를 산출한다.
• 추천 손실과 모드 예측 손실을 함께 최적화하여 모델을 엔드 투 엔드로 훈련시킨다.
• 표현 학습을 향상시키기 위해 어텐션 메커니즘을 통합하며, 반복 기반 메커니즘과의 상호보완성을 평가하기 위한 분석 연구를 수행한다.

실험 결과

연구 질문

• RQ1 신경 모델이 세션 기반 추천에서 과거에 소비한 항목을 추천할 시점과 새로운 항목을 추천할 시점을 효과적으로 학습할 수 있는가?
• RQ2 반복 소비를 명시적으로 모델링할 경우 표준 벤치마크 데이터셋에서 성능에 어떤 영향을 미치는가?
• RQ3 반복 기반 메커니즘이나 어텐션 메커니즘이 추천 품질 향상에 기여하는 상대적 기여도는 어떠한가?
• RQ4 반복 비율과 데이터셋 크기가 증가할수록 RepeatNet의 성능 향상이 증가하는가?
• RQ5 모드 예측과 항목 추천을 함께 학습하는 것이 유익한가, 아니면 반복 추천에 대한 과적합을 유도하는가?

주요 결과

• RepeatNet은 YOOCHOOSE, DIGINETICA, LASTFM 세 가지 벤치마크 데이터셋에서 모두 최신 기술 기반 모델을 압도하며 MRR 및 Recall에서 뛰어난 성능을 기록한다.
• YOOCHOOSE에서 RepeatNet은 Recall@20가 70.71%이며 MRR@20가 31.03%를 기록하여 Improved-GRU4REC를 크게 앞서나간다.
• 반복 기반 메커니즘이 MRR 향상에 더 큰 기여를 하며, 어텐션 메커니즘이 Recall 향상에 기여하고, 두 기법의 조합이 가장 뛰어난 성능을 낸다.
• RepeatNet의 성능 향상은 반복 비율이 높고 데이터셋 크기가 클수록 더욱 두드러지며, 반복 소비가 빈번한 상황에서의 효과성을 입증한다.
• 추천 손실과 모드 예측 손실을 함께 훈련시키면 성능이 약간 떨어지며, 이는 추천 손실 자체가 모드 학습을 위한 강력한 지도자임을 시사한다.
• 분석 연구 결과, YOOCHOOSE의 반복 세션에서 RepeatNet은 반복 기반 메커니즘을 갖춘 경우 Recall@20가 97.41%를 기록한 반면, 기반 메커니즘이 없는 경우 93.70%에 그쳐, 이 기반 메커니즘이 반복 인식 추천에 미치는 영향을 명확히 보여준다.