Item Cluster-aware Prompt Learning for Session-based Recommendation
Created by
Haebom
저자
Wooseong Yang, Chen Wang, Zihe Song, Weizhi Zhang, Philip S. Yu
개요
본 논문은 세션 기반 추천(SBR)에서 세션 내 아이템 관계뿐 아니라 세션 간 아이템 관계(inter-session relationships)를 효과적으로 모델링하는 CLIP-SBR 프레임워크를 제안합니다. CLIP-SBR은 아이템 관계를 모델링하는 모듈과 이 관계를 효율적으로 SBR 모델에 통합하는 아이템 클러스터 기반 프롬프트 학습 모듈로 구성됩니다. 기존 방법들의 높은 계산 비용 문제를 해결하고, 다양한 SBR 모델과 벤치마크 데이터셋에서 성능 향상을 보이며 강건한 SBR 솔루션임을 입증합니다.
시사점, 한계점
•
시사점:
◦
세션 내외 아이템 관계를 모두 고려하여 SBR 성능 향상을 달성했습니다.
◦
기존 방법의 높은 계산 비용 문제를 효과적으로 해결했습니다.
◦
다양한 SBR 모델과 데이터셋에서 폭넓은 적용성을 보였습니다.
◦
아이템 클러스터 기반 프롬프트 학습을 통해 효율적인 관계 통합을 제시했습니다.
•
한계점:
◦
제안된 방법의 확장성 및 다른 유형의 추천 시스템에 대한 적용 가능성에 대한 추가적인 연구가 필요합니다.
◦
사용된 데이터셋의 특성에 따라 성능이 달라질 수 있으므로, 다양한 데이터셋에 대한 추가적인 실험이 필요합니다.
◦
클러스터링 방법의 최적화 및 프롬프트 설계에 대한 추가적인 연구가 성능 향상에 기여할 수 있습니다.
