1. Introduction

• 기존의 연구들에서 중점적으로 생각했던 것은 다음 아이템을 예측하는 데에 있어서 세션 간의 유사성, 의존도보다 세션 내의 정보가 더 중요하다는 것이었음

• 그를 위해서 세션을 그래프로 만들어 GNN을 통과시키는 방법을 최근에는 많이 사용했었지

• 그런데 이는 2가지 loss problem이 존재함

  1. 현재 사용하고 있는 GNN-based 기법들은 세션 시퀀스를 세션 그래프로 변환하는데에 있어서 정보 손실이 많이 일어난다.

     : 이러한 과정은 one-to-one 매핑이 아님

     : 시작점이 어딘지, 끝점이 어디인지 나와있지 않아서 다른 시퀀스도 같은 세션 그래프로 나타내어 질 수 있고

     → 그렇게 되면 인풋 시퀀스가 다른데, 같은 결과값이 도출될 수도 있음

  2. long-range dependency를 반영하는 방법이 비효율적임

     : GNN-based 기법은 애초에 모든 long-range dependency를 잡아내기에 비효율적임

     : GNN layer를 많이 쌓을수록 얻을 수 있는 이웃의 정보가 많아지는 셈인데 (L-hop neighbors)

     : 많이 쌓으면 over smoothing 문제가 생겨서 3개 이상은 위험함

• 이를 해결하기 위해서 LESSR(Lossless Edge-order preserving aggregation and Shortcut graph attention for Session-based Recommendation) 제안

  1. 그래프 인코딩을 edge-order preserving multigraph (EOP) + Aggregation

  2. long-range dependency 를 효율적으로 잡아내기 위해서 Shortcut graph를 도입 + Attention

3. Preliminaries

• GNN의 각 레이어에서는 node representation 을 엣지에 따라 message passing을 통해 업데이트

  

• graph level의 representation을 얻기 위해서 readout function을 이용

  

4. Methodology

4.1 Problem Definition

• universal set of items : $I={v_1, v_2, ..., v_{|I|}}$
• session sequence : $s_i =[S_{i, 1}, S_{i, 2},..., S_{i, l_i}]$, $l_i$: length of $s_i$
• do not consider addtional context information such as user IDs and item attributes in this paper

4.2 Converting Session to Graph

4.2.1 S2MG: Sessions to EOP Multigraph

• 세션 시퀀스를 weighted(S2G), unweighted(S2WG) directed graph로 변환하는 방식 모두 원래의 세션 시퀀스로 완전히 돌려낼 수 없기 때문에 lossy한 conversion임

  : S2G, S2WG 모두 별로지

• 그래서 S2MG(session to EOP Multigraph)를 제안

  : 왜 multigraph? → 한 노드에서 다른 노드로 가는 엣지가 여러 개 일 수 있음

  : 엣지의 순서를 보존할 수 있도록 → 한 노드에 들어오는 엣지(incoming edge)들의 상대적인 순서를 integar attribute로 부여함

  : 또한, 확실히 lossless 하도록 마지막 아이템을 labeling 해줌

  → 마지막 노드만 알려주면 각 엣지들의 상대적인 순서를 알고 있기 때문에 완전히 reconstruct 가능