Learning Similarity among Users for Personalized Session-Based Recommendation from hierarchical structure of User-Session-Item

要約

セッションベース推薦のタスクは、匿名化されたユーザーの行動パターンに基づいて、ユーザーの次のインタラクションを予測することである。そして、このシステムのパーソナライズ版は、ユーザー情報を扱うことができるため、有望な研究分野である。しかし、一般的なセッションベース推薦では、ユーザーとアイテムのインタラクションのみに集中するため、ユーザーの嗜好や過去のセッションが考慮されないという問題がある。また、既存のパーソナライズドセッションベース推薦モデルでは、類似ユーザーの嗜好を考慮せず、現在のユーザーの嗜好のみを考慮するという限定的な機能がある。これは、ユーザーとセッション、アイテムの階層的なデータ構造に含まれる情報が失われる可能性があることを意味する。この問題に対処するために、我々はUSP-SBR（User Similarity Powered – Session Based Recommenderの略称）を提案する。ユーザのグローバルな履歴セッションをモデル化するために、ItemNodeとUserNodeという2種類のノードを持つUserGraphを提案する。そして、これらのノードを3種類のエッジで接続する。最初のエッジはItemNodeを時系列で結び、2番目のエッジはItemNodeとUserNodeを結び、最後のエッジはUserNodeとItemNodeを結びつける。これらのユーザー埋め込みを用い、ベクトル空間において、似たような意図を持つユーザー同士を近づけるコントラストロスを追加提案する。そして、これらのUserGraphにグラフニューラルネットワークを適用し、ノードを更新する。2つの実世界のデータセットで実験した結果、本手法がいくつかの最先端アプローチを凌駕することが実証された。

要約(オリジナル)

The task of the session-based recommendation is to predict the next interaction of the user based on the anonymized user’s behavior pattern. And personalized version of this system is a promising research field due to its availability to deal with user information. However, there’s a problem that the user’s preferences and historical sessions were not considered in the typical session-based recommendation since it concentrates only on user-item interaction. In addition, the existing personalized session-based recommendation model has a limited capability in that it only considers the preference of the current user without considering those of similar users. It means there can be the loss of information included within the hierarchical data structure of the user-session-item. To tackle with this problem, we propose USP-SBR(abbr. of User Similarity Powered – Session Based Recommender). To model global historical sessions of users, we propose UserGraph that has two types of nodes – ItemNode and UserNode. We then connect the nodes with three types of edges. The first type of edges connects ItemNode as chronological order, and the second connects ItemNode to UserNode, and the last connects UserNode to ItemNode. With these user embeddings, we propose additional contrastive loss, that makes users with similar intention be close to each other in the vector space. we apply graph neural network on these UserGraph and update nodes. Experimental results on two real-world datasets demonstrate that our method outperforms some state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL