최민진 석박통합과정, 김진홍 석사과정 WWW 2021 국제 학술대회 논문 채택 

17 Jan 2021

DIAL 연구실 소속 소프트웨어학과 최민진(석·박통합과정, 제1저자) 학생, 김진홍(석사과정, 제2저자) 학생, 이종욱(교신저자) 교수와 이준석(구글 리서치, 제3저자) 박사, 심현정(연세대학교, 제4저자) 교수가 연구한 “Session-aware Linear Item-Item Models for Session-based Recommendation” 논문이 웹 및 데이터마이닝 분야 최우수 국제 학술대회인 The Web Conference 2021 (WWW 2021)에 최종 게재가 승인되었고, 4월에 발표될 예정입니다.

이 연구에서는 세션 기반의 추천 시스템을 위한 선형 아이템-아이템 모델을 제안합니다. 세션 기반의 추천 시스템은 기존의 사용자 기반의 추천과 달리 현재 세션에서의 정보만을 활용하여 다음 아이템을 예측하는 과업을 수행하며 이-커머스와 스트리밍 서비스가 대표적인 예시입니다. 세션-아이템 데이터는 사용자-아이템과는 구분되는 특성들을 가지며, 이 연구에서는 해당 특성들을 고려할 수 있는 간단하지만 효과적인 선형 모델을 제안합니다. 또한, 제안 모델인 세션 기반 선형 아이템 유사도/전이 모델(Session-aware Linear Item Similarity/Transition model)은 닫힌 해를 구할 수 있기에 확장 가능성이 매우 높습니다. 논문에서는 여러 데이터셋에서의 실험을 통해 제안 모델이 충분히 확장 가능하며, 최근 제안된 복잡한 심층 신경망 기반 세션 기반 추천 모델과 비슷한 정도의 정확도를 보이는 것을 검증하였습니다.

“Session-aware Linear Item-Item Models for Session-based Recommendation”, Minjin choi, Jinhong Kim, Joonseok Lee, Hyunjung Shim, Jongwuk Lee. The Web Conference 2021 (WWW 2021)

Session-based recommendation aims at predicting the next item given a sequence of previous items consumed in the session, e.g., on e-commerce or multimedia streaming services. Specifically, session data exhibits some unique characteristics, i.e., session consistency and sequential dependency over items within the session, repeated item consumption, and session timeliness. In this paper, we propose simple-yet-effective linear models for considering the holistic aspects of the sessions. The comprehensive nature of our models helps improve the quality of session-based recommendation. More importantly, it provides a generalized framework for reflecting different perspectives of session data. Furthermore, since our models can be solved by closed-form solutions, they are highly scalable. Experimental results demonstrate that the proposed linear models show competitive or state-of-the-art performance in various metrics on several real-world datasets.