Session-based Recommendations with Recurrent Neural Networks

논문 : arxiv.org/pdf/1511.06939.pdf
코드 : https://github.com/paxcema/KerasGRU4Rec

 

Matrix Factorization(MF) 기반의 추천의 경우 현재 가장 관심을 갖는 상품을 추천하기어려우며, 같은 유저라도 서로 다른 세션 활동을 가지므로 이를 독립적으로 보고 유저가 아닌 세션 이벤트 기준으로 모델링. 유정정보를 사용하지않아 비교적 단순함

 

2.1 Session-Based recommendation

기존 방법들의 경우, 사용자의 마지막 클릭 아이템을 기준으로 유사한 아이템을 찾기 때문에 과거 클릭 정보를 무시하게 되는 문제점이 있다. 해당 문제를 해결하기 위해 2가지 방법을 적용

• MDP(Markov Decision Process)
  - 아이템 간 전이확률을 기반으로 다음 추천하며 action이 무엇인지 알 수 있다.
  - 빠르게 아이템의 수가 많아지기 때문에MDP기반의 접근방법만으로는 state space를 관리하는데 어려움이 존재
  
  
• GFF(General Factorization Framework)
  - 아이템에 대해서 두 종류의 latent vector를 사용(item, session으로서의 아이템)
  - session간에 순서를 고려하지 않음

3. Recommendations with RNNs

Session 단위의 추천을 위해 GRU기반의 모델을 사용하였으며, 모델에 대한 입출력은 아래와 같습니다.

General architecture of the network. Processing of one event of the event stream at once.

Inputs: actual state of the session

Outputs: 다음에 나올 이벤트 확률

Embedding layer : RNN의 특성상 Long Term에 약하다는 단점을 극복하기 위해 사용

Session State
session의 state는 the item of the actual event or the events in the session로 두 가지로 표현

• the item of the actual event
  active 상태에 따라 아이템은 1과 0으로 표현
  사용자가 클릭했던 아이템들 중 실제 구매로 이어진 아이템을 나타내기 위해 표현

• the events in the session 
  weighted sum으로 표현되어지는데 event의 발생 시점에 따라 조정
  최근 클릭한 아이템이 가장 큰 weight를 가질 수 있도록 표현

 

3.1.1 Session-prarallel mini-batches
NLP영역에서 RNN은 문장 내 단어들의 설정 사이즈에 맞춰서 부분적으로 예측하는데, 이러한 기법은 추천 Task에는 적합하지 않았는데 그 이유는 아래와 같습니다.

• session의 길이가 일반적인 문장보다 훨씬 다양하다.
• 목표는 session이 어떻게 변화하는지 포착하는 것이다. 그래서 부분마다 자르는 것은 합리적이지 않다고 한다.

그에 대한 대안으로 session-parallel mini-batches를 사용했습니다.

1. 각 session 들을 정렬
2. 그 다음 mini-batch의 형태를 구성하기 위해서 X개의 session에서 첫 event만을 사용
3. 그 다음 event들로 mini-batch를 구성합니다.

session들은 독립적이라고 가정하여 병렬적으로 구성가능, session길이가 달라 세션 종료후 hidden state 초기화

[논문한계]
- 세션 log에 RNN을 적용해 추천을 하도록 연구했지만, 유저들의 선택에서 랜덤성이 너무 심한 문제점을 해결하지 못한 논문(세션의 main purpose를 구분하지 못했다)
https://mes0419.jandi.com/app/#!/room/24191397

 

- 익명의 세션을 기반으로 유저들의 행동 예측에 초점, 좋은 결과를 얻었지만, 이 기법들은 복잡한 아이템 전환 (Transition)을 무시하고 세션에서 정확한 유저 벡터를 얻기에 충분하지 않음.

  -> Session-based Recommendation with Graph Neural Networks
      (https://soobarkbar.tistory.com/184)

 

 

[출처]
https://lsjsj92.tistory.com/m/590
https://www.comworld.co.kr/news/articleView.html?idxno=50160
https://hyunlee103.tistory.com/85
https://soobarkbar.tistory.com/m/184

https://mes0419.jandi.com/app/#!/room/24191397