1. Introduction

• 사용자의 dynamic 한 interest를 반영해야 함

  ex. 사용자는 월드컵이 하는 기간에만 축구 뉴스에 관심이 있음 → short term preference

• 그래서 최근에는 이런 fast changing short-term preference 를 모델링하기 위해서 다음과 같은 3가지 구현 방식

  1. 상호작용했던 item들에 time decaying 한 attention mechanism 을 적용하거나 human-designed rule을 적용
  2. 행동 sequence를 요약하기 위해서 RNN을 이용 → long-term dependency 문제 발생
  3. long-term을 잊지 않기 위해서 long-term, short-term 을 나눠서 사용

  ⇒ 최근의 행동에 집중하는 경향이 있음 : 현재의 관심사를 정확히 추정하기 위해서는 더 오래된 behavior sequence를 mining하기에는 적합하지 않은 방법들임

• 2 major challenge 1) user의 행동 sequence에는 implicit하고 noisy한 신호가 있음

                              2) 사용자의 선호는 diversity 때문에 시간의 흐름에 따라 계속적으로 변화함
  

• 그래서, 이 논문에서는 1) graph-based 방법을 통해 implicit preference 신호를 뽑아내보겠다.

                                     2) dynamic한 그래프 풀링을 해보겠다.
  

2. Problem Formulation

• input: 각 사용자의 interaction history(길이가 n)
• output: n+1 시점에서 상호작용할 target item의 probability

3.1 Interest Graph Construction

• $G=\{A, \varepsilon, A\}$ undirected graph

• Adjacency matrix A를 학습하는 것이 목표

• 가정 1) core interest 라면 그래프로 나타냈을 때 higher degree를 보일 것

         2) 유사한 interest를 갖고 있다면, subgraph는 더 밀집되고 커질 것이다.   어떤 subgraph? → 아마도 user의 sequence를 graph로 나타냈을때 보이는 일부분을 말하는 듯
  
   ⇒ 이웃 노드들이 유사하다면 dense 한 subgraph 부분이 user의 core 이다 : **priori framework**