STAR: Ein sessionsbasiertes, zeitbewusstes Empfehlungssystem

Session-basierte Empfehlungssysteme (SBRs) zielen darauf ab, die nächsten Präferenzen von Nutzern auf Basis ihrer vorherigen Interaktionen innerhalb einer Sitzung vorherzusagen, wobei keine historischen Nutzerinformationen vorliegen. Moderne SBR-Modelle nutzen tiefe neuronale Netze, um das aktuelle Interesse(n) eines Nutzers während einer laufenden Sitzung in einen latente Raum abzubilden, um so dessen nächstes Interesse vorherzusagen. Obwohl state-of-the-art SBR-Modelle zufriedenstellende Ergebnisse erzielen, konzentrieren sich die meisten darauf, die Ereignissequenz innerhalb von Sitzungen zu analysieren, während sie zeitliche Details dieser Ereignisse vernachlässigen. In dieser Arbeit untersuchen wir das Potenzial zeitlicher Informationen innerhalb von Sitzungen, um die Leistungsfähigkeit von SBRs zu verbessern – möglicherweise durch die Abbildung momentaner Interessen anonymisierter Nutzer oder deren mentale Zustandsänderungen während einer Sitzung. Wir stellen den STAR-Framework vor, das die zeitlichen Abstände zwischen Ereignissen innerhalb einer Sitzung nutzt, um informativere Darstellungen für Items und Sitzungen zu erstellen. Unser Ansatz aktualisiert die Sitzungsrepräsentation durch die Einbettung von Zeitintervallen, ohne dabei eine Diskretisierung vorzunehmen. Empirische Ergebnisse auf den Datensätzen Yoochoose und Diginetica zeigen, dass die vorgeschlagene Methode die state-of-the-art-Baselines in den Metriken Recall und MRR übertrifft.