[논문 리뷰] Balancing Multi-level Interactions for Session-based Recommendation

Yujia Zheng, Siyi Liu외 1명|arXiv (Cornell University)|2019. 10. 29.

Recommender Systems and Techniques참고 문헌 36인용 수 14

한 줄 요약

이 논문은 그래프 신경망을 통해 세션 내 항목 간 상호작용과 세션 간 항목 간 상호작용을 동시에 모델링하는 I3GN이라는 세션 기반 추천 모델을 제안한다. 별도의 세션 내 및 세션 간 그래프를 구성하고, 기여도를 균형 있게 조정하기 위해 어텐션 메커니즘을 사용함으로써, I3GN은 실제 데이터셋에서 최신 기술 수준(SOTA)의 성능을 달성하였으며, 단일 세션 내 순차적 패턴을 넘어서 세션 간 항목 간 상호작용을 포착하는 것이 중요하다는 점을 입증한다.

ABSTRACT

Predicting user actions based on anonymous sessions is a challenge to general recommendation systems because the lack of user profiles heavily limits data-driven models. Recently, session-based recommendation methods have achieved remarkable results in dealing with this task. However, the upper bound of performance can still be boosted through the innovative exploration of limited data. In this paper, we propose a novel method, namely Intra-and Inter-session Interaction-aware Graph-enhanced Network, to take inter-session item-level interactions into account. Different from existing intra-session item-level interactions and session-level collaborative information, our introduced data represents complex item-level interactions between different sessions. For mining the new data without breaking the equilibrium of the model between different interactions, we construct an intra-session graph and an inter-session graph for the current session. The former focuses on item-level interactions within a single session and the latter models those between items among neighborhood sessions. Then different approaches are employed to encode the information of two graphs according to different structures, and the generated latent vectors are combined to balance the model across different scopes. Experiments on real-world datasets verify that our method outperforms other state-of-the-art methods.

연구 동기 및 목표

• 기존의 세션 기반 추천 모델들이 세션 내 순차적 패턴이나 세션 수준의 공동 신호에만 집중하여, 세션 간 세밀한 항목 수준의 상호작용을 간과하는 한계를 해결한다.
• 사용자 프로필이 없는 상황에서, 서로 다른 세션에 있는 항목 간 복잡한 관계인 세션 간 항목 수준의 상호작용이 공동 정보의 풍부한 소스가 될 잠재력을 탐색한다.
• 세션 내 상호작용과 세션 간 상호작용의 서로 다른 상호작용 범위(내세션 대 비교세션)에서 모델의 능력을 균형 있게 조절하여, 한 유형의 상호작용이 지배하는 것을 방지하고 전체 추천 성능을 향상시킨다.
• 세션 내 및 세션 간 그래프 구조를 통합하고 어텐션 메커니즘을 적용하여, 세션 기반 추천을 위한 표현 학습을 향상시키는 통합 프레임워크를 개발한다.

제안 방법

• 세션 내 전이 패턴을 사용하여 현재 세션 내 항목 수준의 상호작용을 모델링하기 위해 세션 내 그래프를 구축한다.
• 세션 유사도를 기반으로 이웃 세션을 식별하고, 이러한 세션 간 항목을 연결하여 세션 간 그래프를 구축함으로써, 세션 간 항목 관계를 포착한다.
• 그래프 컬러레이션 네트워크(GCNs)를 적용하여 세션 내 및 세션 간 그래프에서 구조적 정보를 인코딩함으로써, 국소적 및 전역적 상호작용 패턴을 유지한다.
• 다중 헤드 자기주의 어텐션 메커니즘을 사용하여 세션 간 그래프에서 이웃 노드의 중요도를 동적으로 가중치를 조정함으로써, 관련성이 낮은 항목으로 인한 노이즈를 감소시킨다.
• 두 그래프에서 인코딩된 표현을 학습 가능한 융합 메커니즘을 사용하여 조합하여 균형 잡히고 종합적인 세션 표현을 생성한다.
• 성능에 미치는 영향을 평가하기 위해, 분석 변형에서 평균 풀링 및 그래프 기반 집계 전략을 활용한다.

실험 결과

연구 질문

• RQ1 세션 수준의 유사도를 넘어서, 세션 간 항목 수준의 상호작용이 세션 기반 추천에 의미 있는 공동 신호를 제공할 수 있는가?
• RQ2 세션 내 및 세션 간 상호작용이 하나의 추천 프레임워크 내에서 효과적으로 모델링되고 균형 잡힐 수 있는가?
• RQ3 그래프 구조와 어텐션 메커니즘이 세션 간 복잡한 항목 수준의 상호작용을 포착하는 데 기여하는 상대적 기여도는 무엇인가?
• RQ4 세션 내 및 세션 간 상호작용을 다중 수준으로 통합하면, 기존 최신 기술 수준(SOTA) 방법에 비해 일관된 성능 향상이 이루어지는가?
• RQ5 어떤 수치(예: 어텐션 헤드 수, 그래프 컬러레이션 레이어 수)와 같은 하이퍼파rameter에 대해 모델의 성능가 민감한가?

주요 결과

• I3GN은 실제 데이터셋에서 모든 최신 기술 수준(SOTA) 방법보다 뛰어나며, Recall@10 및 MRR 점수에서 최고 성능을 기록했으며, 이전 SOTA 대비 최대 5.2%의 상대적 향상률을 기록했다.
• 분석 연구에서 어텐션 메커니즘을 제거한 I3GN-avg 버전은 성능이 크게 하락함을 확인하여, 세션 간 그래프에서 동적 관련성 가중치 조정의 중요성을 입증했다.
• 어텐션은 있지만 풀링이 없는 I3GN-α 버전은 어텐션은 없지만 풀링이 있는 I3GN-β 버전보다 더 뛰어난 성능을 보였으며, 이는 어텐션 기반 집계가 평균 풀링보다 더 효과적으로 관련 없는 이웃을 걸러낼 수 있음을 시사한다.
• 그래프 구조와 어텐션을 모두 통합한 전체 I3GN 모델이 가장 뛰어난 성능을 기록하였으며, 이는 적절한 균형 조절을 통해 세션 내 및 세션 간 상호작용을 함께 모델링할 경우 초우수한 결과를 얻을 수 있음을 증명한다.
• 최적의 그래프 컬러레이션 레이어 수는 두 개이며, 최적의 어텐션 헤드 수는 여덟 개이다. 이 수치를 초과하면 과적합 또는 과도한 스무딩으로 인해 성능이 저하된다.
• 세션 간 그래프는 의미 있는 공동 신호를 포착한다: 현재 세션에 직접 포함되지 않은 이웃 세션의 항목들도, 의미적으로나 행동적으로 유사할 경우 다음 동작 예측에 기여한다.