A GNN Model with Adaptive Weights for Session-Based Recommendation Systems

要約

セッションベースのレコメンデーション システムは、ユーザーの一連の対話に基づいてユーザーの興味をモデル化し、進行中のセッションで次のアイテムを予測することを目的としています。
この研究では、セッションベースのレコメンデーション (SBR) で使用できる新しいアプローチを紹介します。
私たちの目標は、グラフ ニューラル ネットワーク (GNN) ベクトルに適用される適応重み付けメカニズムを導入することにより、既存のセッションベースの推奨モデルである SR-GNN モデルの予測精度を向上させることです。
このメカニズムは、研究中にさまざまな方法で取得されたさまざまな種類の副次的な情報を組み込むように設計されています。
項目には、重み付けメカニズムの結果として、各セッション内でさまざまな重要度が割り当てられます。
私たちは、この適応重み付け戦略がより正確な予測に貢献し、その結果、さまざまなシナリオにおける SBR の全体的なパフォーマンスが向上すると仮説を立てています。
適応重み付け戦略を利用すると、各セッションでアイテムの重要性を動的に調整することで SBR のコールド スタートの問題に対処できるため、新規ユーザーや新しく追加されたアイテムなどのコールド スタート状況でより適切な推奨事項が提供されます。
Dressipi データセットに対する実験的評価は、ユーザー エクスペリエンスを向上させ、現実世界のアプリケーションでレコメンデーション結果を最適化する可能性を強調する点で、従来のモデルと比較して提案されたアプローチの有効性を示しています。

要約(オリジナル)

Session-based recommendation systems aim to model users’ interests based on their sequential interactions to predict the next item in an ongoing session. In this work, we present a novel approach that can be used in session-based recommendations (SBRs). Our goal is to enhance the prediction accuracy of an existing session-based recommendation model, the SR-GNN model, by introducing an adaptive weighting mechanism applied to the graph neural network (GNN) vectors. This mechanism is designed to incorporate various types of side information obtained through different methods during the study. Items are assigned varying degrees of importance within each session as a result of the weighting mechanism. We hypothesize that this adaptive weighting strategy will contribute to more accurate predictions and thus improve the overall performance of SBRs in different scenarios. The adaptive weighting strategy can be utilized to address the cold start problem in SBRs by dynamically adjusting the importance of items in each session, thus providing better recommendations in cold start situations, such as for new users or newly added items. Our experimental evaluations on the Dressipi dataset demonstrate the effectiveness of the proposed approach compared to traditional models in enhancing the user experience and highlighting its potential to optimize the recommendation results in real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google