초록
세션 기반 추천 시스템(SBRs)은 사용자에 대한 이전의 세션 내 상호작용 정보를 기반으로 다음 선호도를 예측하는 것을 목표로 하며, 사용자에 대한 역사적 정보가 부족한 상황에서 특히 중요하다. 현대의 SBR 모델들은 깊은 신경망을 활용하여 현재 진행 중인 세션 동안 사용자의 현재 관심을 잠재 공간(latent space)에 매핑함으로써 다음 선호도를 예측한다. 비록 최첨단 SBR 모델들이 만족스러운 성능을 달성하고 있지만, 대부분은 세션 내 이벤트들의 순서에 집중하면서 이들의 시간적 세부 정보를 간과하고 있다. 본 논문에서는 세션의 시간 정보가 SBR 성능 향상에 미치는 잠재력을 탐구하며, 익명 사용자의 순간적인 관심이나 세션 중 심리적 전환을 반영함으로써 모델의 예측 능력을 강화할 수 있음을 제안한다. 이를 위해 우리는 세션 내 이벤트 간 시간 간격을 활용하여 아이템과 세션에 대해 더 정보가 풍부한 표현을 구성하는 STAR 프레임워크를 제안한다. 제안된 메커니즘은 시간 간격을 이산화(discretization) 없이 임베딩하는 방식으로 세션 표현을 개선한다. Yoochoose 및 Diginetica 데이터셋에서의 실증 결과에 따르면, 제안한 방법은 Recall 및 MRR 기준에서 기존 최첨단 기준 모델을 초월하는 성능을 보였다.