Lahendus uute kasutajate ja toodete lisamiseks sessioonipõhistes soovitusüsteemides

Date

2019

Journal Title

Journal ISSN

Volume Title

Publisher

Abstract

Sügavaid närvivõrke on edukalt kasutatud mitmetes soovitussüsteemides. Sessioonipõhised soovitussüsteemid on nende üks alaliik, milles modelleeritakse kasutajate ja toodete interaktsioone (klikke), selleks et genereerida kasutajale isikupäraseid soovitusi. Rekurrentsed närvivõrgud on viimastel aastatel muutunud eelistatuimaks lahenduseks mitmesuguste jadaandmete modelleerimisel, sh kasutajasessioonid, kuid olemasolevate lahenduste puuduseks on see, et need on jäigalt seotud tootekataloogi ja selles olevate toodetega. Uute toodete lisandumisel tuleb kogu mudel uuesti treenida. Üks võimalik lahendus sellele on toodete metainfo (pealkiri, kirjeldus, pilt) kasutuselevõtt, mis võimaldab tooteid identifitseerida nende sisu põhjal, mitte identifikaatori järgi. Samas teadaolevalt ei ole hetkel välja pakutud meetodit, mis lahendaks korraga nii uue toote kui ka uue kasutaja lisandumise probleemi sessioonipõhistes soovitussüsteemides.Töös pakutakse välja uudne arhitektuur sessioonipõhise soovitussüsteemi jaoks, mis kasutab toodete metainfol põhinevaid vektoresitusi. Mudelis kombineeritakse sessiooni jooksul külastatud toodete vektoresitused, selleks et ennustada järgmise toote vektoresitust. Selline lahendus võimaldab lisada tootekataloogi uusi tooteid ilma mudelit uuesti treenimata. Täiendavalt kasutatakse kasutaja sessiooni tema eelistuste modelleerimiseks, mis tähendab, et ennustatud järgmine toode sõltub kasutaja varasematest interaktsioonidest ja seega on tegemist isikupärase ennustusega. Eksperimendid viidi läbi Amazoni kasutajaarvustuste andmestiku peal ning tulemusi võrreldi GRU4Rec ja TransRec mudelitega. Pakutud lahendus saavutas võrreldavaid või paremaid tulemusi kui varasemad parimad mudelid ning võimaldab seejuures lihtsustada uute toodete või kasutajate lisamist.
Deep learning has been successfully used in the context of recommender systems. Sequential recommender systems are a class of algorithms which model user-item interactions and their temporal relationship in order to generate relevant personalized recommendations. Recurrent neural networks have become the state-of-the-art approach for sequential modeling, but current approaches in the context of recommendation systems are tightly coupled with the catalog size and item identifiers. This imposes a problem when new items are to be incorporated into the list of recommendable products, the entire model needs to be retrained. Feature-rich item metadata has been successfully used to improve recommendation quality with both sequential and non-sequential recommenders. However, to the best of our knowledge, no attempt has been made to tackle the problem of newly encountered user and item in a sequence aware model with personalized recommendations. This work presents a novel architecture for context-aware item prediction based on embeddings. The model combines item embeddings within a sequence to dynamically predict an item embedding for the next interaction. This allows to incorporate new items without model retraining. Moreover, the proposed architecture implicitly models the user preferences from user-item interactions and is able to provide item embedding predictions that are personalized to the context of a user and therefore produce personalized recommendations. The results are compared with GRU4Rec and TransRec in the next interaction prediction task using the Amazon reviews public dataset, and our experiments show comparable or better results than state-of-the-art personalized models, with the added benefit of being able to add items or users without model retraining.

Description

Keywords

Citation