노름 기준의 임베딩 믹스업 세션 표현을 통한 향상된 롱테일 추천 모델 (NormixSR: Improving Long-tail Recommendation via Norm-based Embedding Mixup Session Representation)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 29권 / 10호 / 488 ~ 493페이지
· 저자명 : 양희윤, 이지형

초록

세션 기반 추천에 사용되는 세션 데이터셋은 롱테일 분포를 지니고 있어, 자주 등장하는 상품들이 활발히 학습되지만, 반대의 경우에는 충분한 학습이 이루어지지 않아 롱테일 상품의 추천이 잘 이루어지지 않는다. 특히, GNN 기반 모델 학습 과정에서는 등장 빈도가 높은 상품들은 노름(Norm)이 증가하고, 세션 기반 추천의 특성상 노름이 큰 상품들에 치우쳐서 추천되는 경향이 있다. 본 논문에서는 이를 완화하기 위해서 노름의 크기를 반영한 새로운 임베딩 증강기법을 포함한 세션 기반 추천 모델인 NormixSR 를 제안한다. 구체적으로, 노름이 작은 세션들을 임베딩 단계에서 보간하는 방식으로 증강하여 롱테일 세션들을 추가적으로 학습하는 기법을 제안하였고, 더하여 학습 가능한 소프트맥스 스케일링 기법과 Focal Loss를 통해 모델의 학습 능력을 향상할 수 있도록 하였다. 실험을 통해 NormixSR가 롱테일 상품의 추천 정확도 향상과 인기도 편향 완화에 효과가 있음을 보였다.

영어초록

Session datasets used in session-based recommendation often have a long-tail distribution, where frequently occurring items are actively learned while less popular items receive insufficient training, resulting in poor long-tail recommendation performance. Particularly, in the training process of GNN-based models, highly frequent items have increased norms, and may favor recommendations towards items with larger norms due to the nature of session-based recommendation. To alleviate this issue, in this paper, we propose NormixSR, a session-based recommendation model that incorporates a novel embedding augmentation technique considering the magnitude of the norms. Specifically, we propose an augmentation technique that interpolates session embeddings considering the norm size of each representation. Additionally, we introduce a learnable softmax scaling technique and utilize Focal Loss to enhance the model's training capacity. Extensive experiments demonstrate that NormixSR improves the performance of long-tail recommendations and mitigates popularity bias.

참고자료

· 없음