발표자료

Session-based recommendations with recurrent neural networks

0. 문제의식

• Matrix Factorization 은 User Profiling을 못해서 Session-Based 추천이 어려움

• Session-Based추천 영역에서는 Neigborhood 기반의 추천들이 발전함.

• 유저의 행동 추적이 어렵다

  →쿠키나 Browswer Fingerprinting 방법이 있지만 신뢰하기 어렵고, 개인 정보 보호 이슈가 있음.

  Cookie, Log 방법이 있음. GA방식들 or Network방식. GA방식으로 간다.

  데이터 수집의 문제.

  같은 유저 매칭하는게 중요한 문제. multi device를 어떻게 묶을지.

• 추적이 가능해도 짧은 Session 데이터 밖에 다루지 못한다.

  → item2item similarity, Co-Occurrence, transition probability 같은 간단한 방법만 사용

  → 전체 과거 데이터를 활용하지 못하고 마지막 Click 기반으로 밖에 예측못함.

• RNN의 발전으로 RNN을 Session-Based 추천에 사용할 생각을 함.

  1. Sequence Data를 처리할 수 있기 때문.

  2. Input으로 이전 Click Data가 들어가면 Output으로 다음 Click을 예측하는 방식

  3. 유저가 관심있을만한 상위 몇 개의 아이템에만 관심이 있다.

     → Ranking Loss를 사용한다. why?

1. 모델 구조

• 기본적으로 GRU를 사용한다.
• 빨강은 tanh, 파랑은 sigmoid
• reset gate, update gate
• LSTM보다 성능이 나음.

https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-step-by-step-explanation-44e9eb85bf21

1.1 Model I/O

Input : Actual State of the session.