Bid Farewell to Seesaw: Towards Accurate Long-tail Session-based Recommendation via Dual Constraints of Hybrid Intents

작성자

Haebom

카테고리

Empty

저자

Xiao Wang, Ke Qin, Dongyang Zhang, Xiurui Xie, Shuang Liang

💡 개요

세션 기반 추천(SBR)에서 낮은 노출 항목의 긴 꼬리 분포는 추천 다양성을 저해하며, 기존 방법들은 정확도를 희생시키면서 긴 꼬리 항목을 개선하려 합니다. 본 논문은 이러한 충돌의 원인을 긴 꼬리 항목 내의 세션과 무관한 노이즈로 보고, 이를 식별하고 제약하는 HID 프레임워크를 제안합니다. HID는 하이브리드 의도 학습과 두 가지 새로운 의도 제약 손실(다양성과 정확도)을 통해 세션 기반 추천에서 긴 꼬리 성능과 정확도를 동시에 향상시키는 것을 목표로 합니다.

🔑 시사점 및 한계

•

HID 프레임워크는 세션 기반 추천에서 발생하는 긴 꼬리 항목의 정확도 저하 문제를 해결하기 위한 효과적인 방법론을 제시합니다.

•

속성 인식 클러스터링을 활용한 하이브리드 의도 학습은 세션 관련성과 무관한 노이즈를 효과적으로 분리하여 추천 성능을 개선할 수 있습니다.

•

제안된 다양성 및 정확도 의도 제약 손실은 긴 꼬리 항목과 일반 항목 모두에서 추천의 전반적인 성능을 "윈-윈"으로 이끌 수 있습니다.

•

HID는 다양한 SBR 모델에 적용 가능한 플러그 앤 플레이 방식의 프레임워크로, 실제 추천 시스템에 쉽게 통합될 수 있는 장점을 가집니다.

•

본 연구는 세션 내 의도와 관련된 노이즈의 근본적인 특성을 더 깊이 탐구하고, 더욱 정교한 의도 추출 및 제약 방법을 개발하는 후속 연구의 가능성을 제시합니다.

PDF 보기

Made with Slashpage