1 Introduction

이전 논문들에서의 개인화된 추천을 하기 위해서 기록된 사용자의 선호를 사용했다.

그런데 실세계에서 그렇게 사용자의 정보를 따로 구축해두는 경우는 드뭄

⇒ 그래서 사용자의 이전 기록을 이용해서 추천을 진행하는 session-based recommendation이 나오게 된거지

마르코프 기반 모델부터 시작해서 RNN 기반의 GRU4Rec, STAMP, NARM 등의 모델들이 제안되었는데,

연속적인 아이템 transition에 대해서만 관심이 매우 많고, 복잡한, 전체적인 아이템 context에 대해서는 소홀하게 다룸

그래서 우리는

1. session graph를 통해서 세션 내의 복잡한 item transition을 찾아내겠다

2. session embedding이 하나의 임베딩 벡터로 나타냈던 거에 대해서 → 이러면 사용자의 다양한 특성을 나타내는 데에 한계가 있음

⇒ 예를 들어서 [수영복, 지갑, 우유, 후라이팬] 시퀀스를 가진 고객의 타겟 아이템이 '핸드백'이라고 하면

후라이팬 보다는 지갑에 더 많은 포커스를 두어야겠지

⇒ 그래서 결국에는 풍부한 관심사를 가진 사용자의 경우 특정한 타켓 아이템에 따라 시퀀스 내에서 활성화 되는 아이템이 달라 질 수 있다는 것임

⇒ 그래서 Target Attentive GNN 을 제안하겠다!

TAGNN 의 전반적인 구조는

1. 세션마다 세션 그래프로 재구성하고

2. GNN을 이용해서 복잡한 item transition을 담은 아이템 임베딩을 얻고

3. 아이템 임베딩에다가 Target attentive network를 통과시킴

4. 세션 임베딩을 만들고(linear transformation)

5. 사용자에게 다음 아이템을 추천

main contribution