초록
사용자-아이템 상호작용의 시간적 순서는 많은 추천 시스템에서 핵심적인 특징입니다. 사용자가 미래에 상호작용할 아이템은 주로 사용자가 최근에 접근한 아이템들에 크게 의존합니다. 그러나 사용자와 아이템의 급격한 증가로 인해 순차적 추천 시스템은 여전히 여러 도전적인 문제를 직면하고 있습니다: (1) 희소한 암시적 피드백으로부터 장기적인 사용자 관심사를 모델링하는 어려움; (2) 사용자가 최근에 접근한 몇 개의 아이템을 기반으로 단기적인 사용자 관심사를 포착하는 난점. 이러한 도전들을 극복하기 위해, 우리는 베이지안 개인화 순위(Bayesian Personalized Ranking, BPR)와 통합된 계층적 게이팅 네트워크(Hierarchical Gating Network, HGN)를 제안합니다. 이 HGN은 특성 게이팅 모듈, 인스턴스 게이팅 모듈, 그리고 아이템-아이템 곱셈 모듈로 구성됩니다. 특히, 우리의 특성 게이팅 및 인스턴스 게이팅 모듈은 각각 특성 수준과 인스턴스 수준에서 어떤 아이템 특성이 후속 레이어로 전달될지를 선택합니다. 우리의 아이템-아이템 곱셈 모듈은 사용자가 과거에 접근한 아이템들과 미래에 접근할 가능성이 있는 아이템들 사이의 관계를 명시적으로 포착합니다. 우리는 다섯 가지 실제 데이터셋에서 여러 최신 방법들과 다양한 검증 지표를 통해 우리의 모델을 광범위하게 평가했습니다. 실험 결과는 우리의 모델이 Top-N 순차적 추천에서 효과성을 입증하였습니다.