Improving Session-Based Recommendation Approach by Exploiting User Behavior Count

Abstract

이커머스 시장의 성장으로, 고객의 소비를 촉진시키기 위한 추천 시스템 경쟁이 심화되고 있다. 최근에는 추천시스템에 순환 신경망(RNN)을 적용하여 고객의 온라인 상 행동 패턴을 바탕으로 한 추천이 각광받고 있다. 순환 신경망 모델의 장점은 사용자의 직접적인 피드백과 점수 매김 없이, 이전 세션을 기반으로 사용자의 다음 항목을 예측할 수 있다는 것이다. 본 연구에서는, 예측 성능을 향상시키기 위해 데이터로부터 간접적인 피드백(implicit rating)을 도출하여 접목한다. 기존에 제안되었던, 유저의 세션 별 주거 시간(dwelling time)과 새롭게 제안하는 아이템별 행동 횟수 기반 지표인(interaction count)을 비교한다. 순환 신경망 모델 중 GRU 모델을 RecSys’15 challenge의 YOOCHOOSE 데이터에 적용하여 recall@20 과 MRR@20으로 성능을 평가한다.;Because of the growth of e-commerce markets and competition among companies to hold on to customers, various recommendation approaches have been studied for driving customers to consume. Recently, the recurrent neural networks (RNNs) are frequently used for developing the recommendation system by analyzing the behavior patterns of users. One of the advantages of RNNs is to handle temporal dependency within the individual, so it is available to predict the next item based on the earlier sessions. In this study, we investigate the performance of the recommendation system based on RNNs with log data showing an individual's online behaviors. To improve the performance of prediction, we consider additional predictors such as dwelling time and weighted rating values with the count of user's behavior. Among RNNs, we found that the proposed method based on the gated recurrent unit (GRU) outperforms in terms of recall@20 and MRR@20. RecSys’15 challenge dataset (YOOCHOOSE dataset) are considered to illustrate the application of the proposed method.