세션 기반 추천을 위한 스타 그래프 신경망

세션 기반 추천은 도전적인 과제이다. 사용자의 이전 사용자-아이템 상호작용에 접근할 수 없는 경우, 현재 진행 중인 세션에서 확보할 수 있는 정보는 매우 제한적일 수 있다. 기존의 세션 기반 추천 연구들은 사용자가 순차적으로 상호작용한 아이템 시퀀스를 고려해왔다. 그러나 이러한 아이템 시퀀스는 단순히 순서에 기반한 관찰을 넘어서는 복잡한 아이템 간 전이 관계를 충분히 포착하지 못할 수 있다. 따라서 아이템 간 전이 관계를 효과적으로 모델링하기 위해 그래프 신경망(GNN) 기반 모델이 제안되었다. 그러나 GNN은 일반적으로 인접한 아이템들 간의 정보 전파에 국한되며, 직접적인 연결이 없는 아이템들로부터의 정보를 간과하게 된다. 특히, GNN 기반 접근법은 심각한 과적합 문제에 직면하는 경우가 많다. 본 연구에서는 고속망(highway network)을 활용한 별형 그래프 신경망(SGNN-HN)을 제안한다. 제안된 SGNN-HN은 현재 진행 중인 세션 내 아이템 간의 복잡한 전이 관계를 모델링하기 위해 별형 그래프 신경망(SGNN)을 적용한다. 과적합을 방지하기 위해 고속망(HN)을 도입하여 아이템 표현에서 적응적으로 임베딩을 선택한다. 마지막으로, SGNN이 현재 세션에서 생성한 아이템 임베딩을 집계하여 사용자의 최종 아이템 예측 선호도를 표현한다. 공개 벤치마크 데이터셋 두 개에 대한 실험 결과, SGNN-HN은 세션 기반 추천에서 P@20 및 MRR@20 측정 기준에서 최신 기술(SOTA) 모델들을 능가함을 입증하였다.