본 논문은 세션 기반 추천 시스템에서 데이터 불확실성, 인기도 편향, 노출 편향 문제를 공동으로 해결하는 방법을 제시합니다. 아이템 임베딩과 추천 결과에서 이러한 편향의 증상을 연구하고, 사용자의 관심을 잠재 공간에서의 확률적 과정으로 다루는 모델 독립적인 구현 방안을 제안합니다. 제안된 확률적 구성 요소는 임베딩 균일성을 위한 정규화를 통한 아이템 임베딩 디바이싱, 세션 접두사로부터 밀집된 사용자 관심 모델링, 그리고 확장된 노출을 시뮬레이션하기 위한 데이터 내 가짜 타겟 도입 등으로 구성됩니다. Diginetica와 YooChoose 1/64라는 두 개의 인기 벤치마크 데이터셋과 인기 아이템 비율이 다른 YooChoose 데이터셋의 여러 수정 버전에 대한 계산 실험을 수행하여 제안된 접근 방식이 언급된 문제들을 완화하는 데 효과적임을 보여줍니다.
