SR-PredictAO: Session-basierte Empfehlung mit hochleistungsfähigem Predictor-Add-On

Session-basierte Empfehlungen zielen darauf ab, die Vorhersage des nächsten von einem Nutzer angeklickten Elements auf Basis der Informationen innerhalb einer einzigen Sitzung allein zu treffen, selbst bei Vorhandensein zufälligen Nutzerverhaltens – ein komplexes Problem, das ein hochleistungsfähiges Modell zur Vorhersage des nächsten Nutzerauftrags erfordert. Die meisten (falls nicht alle) bestehenden Modelle folgen dem Encoder-Predictor-Paradigma, wobei sämtliche Forschungsarbeiten sich ausschließlich auf die Optimierung des Encoder-Moduls konzentrieren, während die Optimierung des Predictor-Moduls vernachlässigt wird. In dieser Arbeit identifizieren wir die kritische Schwäche des bisherigen niedrigen Leistungsvermögens des Predictor-Moduls in den bestehenden Ansätzen. Darauf aufbauend schlagen wir einen neuen Rahmen namens Session-based Recommendation with Predictor Add-On (SR-PredictAO) vor. In diesem Rahmen stellen wir ein hochleistungsfähiges Predictor-Modul vor, das die Auswirkungen zufälligen Nutzerverhaltens auf die Vorhersage verringern kann. Es ist erwähnenswert, dass dieser Rahmen auf beliebige bestehende Modelle angewendet werden kann, wodurch neue Möglichkeiten zur weiteren Verbesserung des Gesamtsystems eröffnet werden. Umfassende Experimente auf zwei realen Benchmark-Datensätzen für drei state-of-the-art-Modelle zeigen, dass SR-PredictAO das derzeit beste Modell um bis zu 2,9 % in HR@20 und 2,3 % in MRR@20 übertrifft. Vor allem ist die Verbesserung konsistent über fast alle bestehenden Modelle hinweg und auf allen Datensätzen sowie statistisch signifikant – was als bedeutender Beitrag für den Forschungsbereich angesehen werden kann.