다음과 같은 세션데이터를 기반으로 세션데이터를 모델링한다. item coldstart문제를 해결하기위해 몇가지 논문을 분석해보았다.
논문 1) Item cold-start recommendations: learning local collective embeddings
Item coldstart 문제를 해결하기 위해서는 user데이터가 많이 필요한 Collaborative Filterling기법 보다는 Content Based 방법이 자주 이용됨
->데이터의 형태가 sparse 할 때(cold start), sparse하지 않을 때 (warm start)모두에서 잘 작동하는 모델을 만들기 위하여 cold start에서 CB방법 사용, warm start에서 MF방법 사용
->Content based를 어떻게 향상시킬지에 대한 내용이 부족함
논문2)MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS
https://datajobs.com/data-science-repo/Recommender-Systems-[Netflix].pdf
->MF를 적용시켜보려고 했으나 session data에서는 적용이 힘듦(session이 너무 짧으며 user data를 얻기가 너무 힘듦)
논문3)A Meta-Learning Perspective on Cold-Start Recommendations for Items
https://proceedings.neurips.cc/paper/2017/file/51e6d6e679953c6311757004d8cbbba9-Paper.pdf
->Item coldstart문제가 빈번하게 일어나는 twitter에서 적용
->Item based된 방법을 사용함
->MF방법은 아이템의 변화를 잡아내기 어려움
->User의 history를 학습하여 새로운 예시(아이템)에 적용함
->Meta learning(적은 수의 데이터를 바탕으로 접하지 못한 곳에서 적응)
->Session data와 비교했을 때 비교적 많은 user data를 가짐
->User가 item과 접촉했는지, 아이템에 engaged(트위터에서 댓글등)했는지 등을 이용, 유저를 user history에서 나온 item을 파라미터로 하는 함수를 통해 유저와 아이템이 일정할 때 engaged가 일어날 확률을 계산함(eij는 engage확률, ti는 item, uj는 user, H는 user history)
-> 
->Session data에서 한 session을 user로 판단하는 것은 session이 계절에 따라서 쉽게 변하고, user history가 충분치 않아 힘들 것으로 예상되어 보류
Item coldstart를 대부분 userdata를 사용하는 방법을 써서 user data가 희소한 session 기반 데이터에서는 이를 해결할 방법을 아직 찾지 못하였음
Session 데이터이며 graph로 item의 특징을 잘 잡아낼 수 있을거라 생각해 해당 논문을 찾았다.
논문4)Session-Based Recommendation with Graph Neural Networks
->Item imbedding의 정확도를 높일 수 있으며 item trasition에 효과적이다.
->RNN은 data augmentation에 능하고 유저행동의 변화를 잘 고려한다. NARM, STAMP등이 사용되고있다
->위의 것들은 세션데이터에서 user 정보를 얻기 힘들다(RNN의 경우 click수가 한정, 세션데이터의 익명성, 많은 데이터)
->또한, 거리가 가까운 아이템끼리의 변화만 잘 잡아낸다.
-gnn의 구조
-> 모든 세션 데이터를 directed graph로 나타낸 후, neural network를 통해 latent vector를 잡아낸다. global preference, current interest를 attention net을 이용해 결합한다. 최종적으로 sigmoid를 적용해 아이템이 추천될 확률을 나타낸다.
건설적인 비판,충고,피드백 환영합니다!
