Sitzungsbezogene Empfehlungen mit rekurrenten Neuronalen Netzen

Wir wenden rekurrente Neuronale Netze (RNN) auf einem neuen Gebiet an, nämlich Empfehlungssystemen. Praktische Empfehlungssysteme stoßen oft auf das Problem, dass sie nur auf kurzen, sessionsbasierten Daten (z.B. einer kleinen Sportausrüstungswebsite) und nicht auf langen Nutzerhistorien (wie im Fall von Netflix) basieren müssen. In dieser Situation sind die häufig gelobten Ansätze der Matrixfaktorisierung nicht präzise genug. Dieses Problem wird in der Praxis üblicherweise durch den Einsatz von Item-to-Item-Empfehlungen, d.h. dem Empfehlen ähnlicher Produkte, überwunden. Wir argumentieren, dass durch das Modellieren der gesamten Sitzung genauere Empfehlungen bereitgestellt werden können. Deshalb schlagen wir einen RNN-basierten Ansatz für sessionsbasierte Empfehlungen vor. Unser Vorschlag berücksichtigt auch praktische Aspekte der Aufgabe und führt mehrere Modifikationen an klassischen RNNs ein, wie z.B. eine Ranking-Funktion (ranking loss function), die es für dieses spezifische Problem praktikabler machen. Experimentelle Ergebnisse auf zwei Datensätzen zeigen erhebliche Verbesserungen im Vergleich zu weit verbreiteten Ansätzen.