Sequential Data의 Embedding Representation 향상 및 Data Sampling을 통한 학습 시간 단축

Abstract

추천 시스템은 일상생활에서 쇼핑몰의 상품, 영화 컨텐츠, 서비스 등을 효율적으로 선택하는 데 도움을 준다. 추천 시스템 중 하나인 sequential recommendation은 시간순으로 나열된 기록에 기반하여 새로운 item을 추천하는 방식을 사용한다. 일반적으로 sequential data는 user id, item id, 평점, 시간으로 구성된 데이터를 가공하여 만든다. 이 과정에서 item id의 sequence 정보만 남게 되어 평점 정보가 누락된다. 이에 평점을 반영하도록 embedding concatenation을 적용하여 추천 성능 변화를 알아본다. 또한, 시간이 지나면서 sequential data가 누적되어 학습에 드는 시간이 증가한다는 점도 고려한다. 이에 성능에 큰 영향을 미치지 않으면서 모델 학습 시간을 줄일 수 있도록 데이터를 추출하는 방안도 제시한다. 이러한 추출 방식은 sequential data와 특성이 유사한 데이터에도 적용할 수 있어 의미가 있다.

Sequential recommendations exploit the user's past behavior to predict the next interaction. Sequential recommendation proposals items based on chronologically listed records. In general, sequential data is made by preprocessing data consisting of user id, item id, rating, and time. In this process, only the sequence information of the items is included, and the rating information is omitted. In this thesis, we investigate the change in performance by concatenating rate embedding. In addition, sequential data accumulates over time, increasing the time spent on learning. Accordingly, data can be selected to reduce learning time without significantly affecting performance. This sampling method can be applied to data similar to sequential data.