초록
세션 기반 추천의 과제는 익명의 세션을 기반으로 사용자의 행동을 예측하는 것이다. 최근 연구는 주목할 세션 내의 아이템 전이를 시퀀스 또는 그래프로 모델링하여 세션 내부의 전이를 포착하는 데 초점을 맞추고 있으나, 다른 사용자들이 생성한 다양한 세션 간의 복잡한 아이템 전이를 간과하고 있다. 이러한 아이템 전이에는 잠재적인 협업 정보가 포함되어 있으며, 유사한 사용자 행동 패턴을 반영한다. 본 연구에서는 이러한 전이 정보가 타깃 세션의 추천에 도움이 될 수 있다고 가정하고, 이에 기반하여 새로운 방법론인 이중채널 그래프 전이 네트워크(Dual-channel Graph Transition Network, DGTN)를 제안한다. DGTN은 타깃 세션뿐 아니라 이웃 세션(유사한 세션)의 아이템 전이도 함께 모델링한다. 구체적으로, 타깃 세션과 그 이웃 세션을 하나의 그래프로 통합한 후, 채널 인식형 전파 방식을 통해 전이 신호를 임베딩에 명시적으로 주입한다. 실제 데이터셋을 이용한 실험 결과, DGTN은 기존 최첨단 방법들을 모두 능가함을 입증하였다. 추가적인 분석을 통해 이중채널 아이템 전이 모델링의 타당성이 확인되었으며, 이는 세션 기반 추천의 향후 가능성을 시사한다.