전자상거래 시나리오에서 사용자 프로필이 보이지 않는 경우, 단기 세션을 기반으로 추천 결과를 생성하는 세션 기반 추천 방법이 제안되었습니다. 이전 연구에서는 현재 세션 내의 사용자의 순차적 행동만을 고려하였지만, 사용자가 현재 세션에서 주요 목표를 이루는 데 필요한 요소에 대한 강조가 부족했습니다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 신경망 프레임워크인 Neural Attentive Recommendation Machine (NARM)을 제안합니다. 구체적으로, 사용자의 순차적 행동을 모델링하고 현재 세션에서 사용자의 주요 목표를 포착하기 위해 주의 메커니즘(attention mechanism)을 적용한 하이브리드 인코더(hybrid encoder)를 탐구하였습니다. 이후, 이 통합된 세션 표현(unified session representation)을 바탕으로 각 후보 아이템에 대한 추천 점수(recommendation scores)를 양방향 선형 매칭 방식(bi-linear matching scheme)을 통해 계산하였습니다. 우리는 아이템과 세션 표현 및 그들의 매칭(matchings)을 공동 학습(jointly learning)하여 NARM을 훈련시켰습니다. 두 개의 벤치마크 데이터셋(benchmark datasets)에서 광범위한 실험을 수행한 결과, NARM은 두 데이터셋 모두에서 최신 기준 모델(state-of-the-art baselines)보다 우수한 성능을 보였습니다. 또한, NARM은 긴 세션(long sessions)에서도 상당한 개선 효과를 나타냈으며, 이는 사용자의 순차적 행동과 주요 목표를 동시에 모델링하는 데 있어 NARM의 장점을 입증합니다.