Modeling and Analyzing the Influence of Non-Item Pages on Sequential Next-Item Prediction

要約

ユーザーとアイテム間の相互作用のシーケンスを分析すると、シーケンシャル推奨モデルはユーザーの意図を学習し、次のアイテムについて予測することができます。
アイテムの相互作用の次に、ほとんどのシステムには、項目以外のページと呼ばれるものとのやり取りもあります。これらのページは特定のアイテムとは関係ありませんが、たとえばナビゲーションページなど、ユーザーの興味についての洞察を提供できます。
したがって、これらの非ITEMページを連続的な推奨モデルに含める一般的な方法を提案して、次項目の予測を強化します。
まず、仮説テストフレームワークの催眠術を使用して、次の相互作用に対する非ITEMページの影響を示し、順次推奨モデルで非ITEMページを表す方法を提案します。
その後、人気のあるシーケンシャルの推奨モデルを適応させて、非ITEMページを統合し、さまざまなアイテム表現戦略とノイズの多いデータを処理する能力でパフォーマンスを調査します。
非ITEMページを統合するモデルの一般的な機能を表示するために、制御された設定の合成データセットを作成し、2つの実際のデータセットに非ITEMページを含めることからの改善を評価します。
我々の結果は、非項目ページが貴重な情報源であることを示しており、それらを連続的な推奨モデルに組み込むと、分析されたすべてのモデルアーキテクチャにわたってネクストアイテム予測のパフォーマンスが向上します。

要約(オリジナル)

Analyzing sequences of interactions between users and items, sequential recommendation models can learn user intent and make predictions about the next item. Next to item interactions, most systems also have interactions with what we call non-item pages: these pages are not related to specific items but still can provide insights into the user’s interests, as, for example, navigation pages. We therefore propose a general way to include these non-item pages in sequential recommendation models to enhance next-item prediction. First, we demonstrate the influence of non-item pages on following interactions using the hypotheses testing framework HypTrails and propose methods for representing non-item pages in sequential recommendation models. Subsequently, we adapt popular sequential recommender models to integrate non-item pages and investigate their performance with different item representation strategies as well as their ability to handle noisy data. To show the general capabilities of the models to integrate non-item pages, we create a synthetic dataset for a controlled setting and then evaluate the improvements from including non-item pages on two real-world datasets. Our results show that non-item pages are a valuable source of information, and incorporating them in sequential recommendation models increases the performance of next-item prediction across all analyzed model architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google