要約
セッションベース推薦システム（SBRs）は、ユーザーに関する過去の履歴情報が存在しない状況下で、ユーザーの現在のセッション内での過去の相互作用をもとに、次の好みを予測することを目的としている。現代のSBRモデルは、深層ニューラルネットワークを活用して、進行中のセッションにおけるユーザーの現在の関心を潜在空間にマッピングし、その次の好みを予測する。しかし、最先端のSBRモデルは良好な成果を上げているものの、多くの場合、セッション内のイベントの順序に焦点を当てており、これらのイベントの時間的詳細を無視している。本研究では、SBRの性能向上に向けたセッション内の時間情報の潜在的価値に着目し、匿名ユーザーの瞬間的な関心やセッション内での意識の変化を反映する可能性を検討する。そこで、セッション内のイベント間の時間間隔を活用して、アイテムおよびセッションのより情報豊かな表現を構築するSTARフレームワークを提案する。本手法は、離散化を用いずに時間間隔を埋め込み（embedding）することで、セッション表現を再定義する。YoochooseおよびDigineticaデータセットを用いた実証実験の結果、提案手法はRecallおよびMRR指標において、最先端のベースラインモデルを上回ることが示された。