<aside> ▪️ 간단 요약

Session 기반 추천

Negative Sampling

</aside>

User의 action sequence를 session으로 나누어 session을 기반으로 추천하는 모델

Session을 GRU 레이어에 입력하여 바로 다음에 올 확률이 가장 높은 아이템을 추천한다.

Session based Recommender System

실시간 고객의 행동 기록(Session)을 바탕으로 하는 추천 시스템

Session

유저가 서비스를 이용하는 동안의 행동을 기록한 데이터

ex) 브라우저가 종료되기 전까지 쿠키 형태로 저장되는 데이터

user의 클릭, 본 상품, 방문한 사이트 등으로 이루어진다.

Session-Based Recommendation with Recurrent Neural Networks

지금 고객이 원하는 상품을 추천하는 것을 목표로, 추천 시스템에 RNN을 적용한 논문

모델 구조

학습 데이터 샘플링: Sampling on the output

1. Negative Sampling

   현실에서는 아이템의 수가 많기 때문에 모든 후보 아이템의 확률을 계산하기 어렵다.

   따라서, 아이템을 negative sampling하여 subset만으로 loss를 계산한다.

   mini-batch 내의 일부 item을 negative item으로 사용하여 loss를 계산한다.

   

2. 인기에 기반한 Negative Sampling 제시

   사용자가 상호작용을 하지 않은 아이템은 존재 자체를 몰랐거나 관심이 없는 것이다.

   그렇다면, 아이템이 유명한 지를 판단하여, 아이템의 인기가 높은데도 상호작용이 없었다면 사용자가 관심이 없는 아이템이라고 가정한다.

Loss

Top-K Ranking을 위한 BPR 및 TOP1 Loss 사용

BPR: $L_s=-\frac{1}{N_s} \sum_{j=1}^{N_s} \log \left(\sigma\left(\hat{r}{s, i}-\hat{r}{s, j}\right)\right)$

TOP1 loss: $L_s=\frac{1}{N_s} \sum_{j=1}^{N_s} \sigma\left(\hat{r}{s, j}-\hat{r}{s, i}\right)+\sigma\left(\hat{r}{s, j}^2\right)$

• $N_s$ : sample size
• $\hat{r}_{s, k}$ : item $k$ 의 score (compatibility between session $s$ and item $k$ )
• $i$ : (desired) positive next item
• $j$ : negative item

결과

RSC15와 VIDEO 데이터셋에서 가장 좋은 성능을 보인 item-KNN 모델 대비 약 20% 높은 추천 성능