[論文レビュー] Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation

Yang Lv, Liangsheng Zhuang+1 more|arXiv (Cornell University)|Sep 25, 2019

Recommender Systems and Techniques参考文献 13被引用数 4

ひとこと要約

本稿では、セッション内での順序付けられた行動と、時間的・文脈的に類似した過去のセッションからの協調的信号を統合的にモデル化することで、次アイテム予測を向上させる、ネイバー環境内強化型でタイムアウェアなニューラルネットワークモデルであるNETAを提案する。ガイドドアテンションとタイムアウェア類似性、および補完的表現のためのコアテンションを統合することで、2つの実世界データセットにおいて最先端の性能を達成する。

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.

研究の動機と目的

• 既存のセッションベース推薦モデルが単一セッション内の順序パターンにのみ注目し、類似した過去のセッションからの協調的情報を無視するという限界を是正すること。
• セッション間の文脈類似性（行動パターン）と時間的近接性（時間的近接度）の両方を組み込むことで、推薦精度を向上させること。
• メモリ制約に依存せずに、協調フィルタリングのためにk個の最も関連性の高い過去のセッションを特定する効率的なネイバー検索機構を設計すること。
• 予測時にネイバー情報の重要性を重みづけするコアテンション機構を用いて、順序モデリングと補完的協調表現を統合すること。

提案手法

• 行動的類似性と時間的近接度の両方に基づいて、k個の最も類似した過去のセッションを特定する効率的なネイバー検索機構を導入する。
• 現在のセッションの順序特徴とセッション間の時間間隔を用いて、ネイバー・セッションのアテンション重みを計算するガイドドアテンション機構を採用する。
• 順序行動パターンと時間的近接度を組み合わせたハイブリッド類似度スコアを用いてアテンション重みを計算し、関連性の高い過去のセッションを優先する。
• 予測時に、ネイバー・セッションからの協調的表現の寄与度を動的に重みづけるためにコアテンション機構を適用する。
• 現在のセッション埋め込みとネイバー・セッション埋め込みの両方を処理するデュアルエンコーダ構造を採用し、現在のセッションの順序状態によってアテンションがガイドされる。
• ガイドドアテンションモジュールにおいて、トランスフォーマー風の自己アテンションを活用し、セッション間で長距離依存性と文脈的関連性をモデル化する。

実験結果

リサーチクエスチョン

• RQ1 類似した過去のセッションからの協調フィルタリングと順序モデリングを組み合わせることで、セッションベース推薦の性能が向上するか？
• RQ2 セッション間の時間的近接度は、次アイテム予測におけるネイバー・セッションの関連性にどのように影響するか？
• RQ3 k近傍セッションを明示的に検索してアテンションを適用するアプローチが、最近のセッションのみを記憶するメモリベースのアプローチを上回るか？
• RQ4 文脈類似性と時間的類似性の両方を組み込むことで、単一の類似性のみを用いるモデルと比較して、推薦精度がどの程度向上するか？

主な発見

• NETAはDigineticaおよびRetailRocketの両データセットで最先端の性能を達成し、CSRM や NARM といったSOTAモデルを含むすべてのベースライン手法を上回る。
• NETA-NARMモデルはDigineticaでRecall@20が63.80、MRR@20が28.08を達成し、NARM（Recall@20が63.59）を顕著に上回り、協調的信号の価値を示している。
• アブレーションスタディにより、タイムヘッドが性能向上に寄与することが確認された：NETA（Recall@20が63.80）はNE（Recall@20が63.59）を上回り、時間的近接度が類似度推定を向上させることを証明した。
• Recall@10およびRecall@5の評価でも、NETAは一貫した優位性を示し、限られた推薦リストという現実世界の制約下でもより正確な推薦が可能であることを示している。
• モデルはデータセットにかかわらず高いロバスト性を示す：Digineticaではより大きな性能向上が見られたが、RetailRocketでもNETAはSessionKNNを上回っており、一般化可能性が裏付けられている。
• コアテンション機構は順序的および協調的信号のバランスを効果的にとらえており、NETA-NARMとNETA-STAMPは、それぞれベースモデル（NARMとSTAMP）を一貫して上回る改善を示している。