Recently, session-based recommendation and context-aware recommendation have attracted great attention from the recommender systems community. The marriage of the two topics has activated a new interesting research direction: context-aware session-based recommendation. However, since previous context-aware session models mainly focused on improving short-term modeling power using short-term contexts, the effect of long-term user interests on user session behaviors has been largely ignored for context-aware session models. To fill this gap, in this thesis, a CNN-based context-aware session model called CCE(Convolutional Context Encoding) is proposed. CCE is a hybrid context-aware session model that extends traditional RNN-based session models by incorporating long-term user interests which are extracted from various user context information using CNN. Furthermore, CCE supports any types of contexts and has linear scalability to the context size, thereby being suitable for commercial environments where the numbers and types of contexts can be extremely large. The experiments on two real-world datasets verified that, using the user context information, CCE outperforms the pure session models that ignore long-term user interests.
세션 기반 추천과 맥락 기반 추천은 최근에 추천시스템 연구자들 사이에서 가장 각광받는 주제 중 하나이다. 자연스럽게 맥락 정보를 고려할 수 있는 세션 기반 추천시스템 연구도 활기를 띠게 되었는데, 이전 연구들은 특정 세션 내에서의 일시적인 유저 선호도를 모델링하는데만 집중하여 장기적인 유저의 선호도를 간과하여 왔다. 이러한 단점을 보완하기 위해 이 논문에서는 유저의 장기 선호도를 기존 세션 모델에 추가로 반영할 수 있는 하이브리드 세션 기반 모델인 CCE(Convolutional Context Encoding)를 제안한다. CCE는 CNN을 이용해 다양한 유저 맥락 정보로부터 유저의 장기적인 선호도 정보를 추출하고, 이 정보를 기존의 RNN 기반 세션 모델에 합하는 방식으로 유저의 단/장기적인 선호도를 모두 고려할 수 있다. CCE는 여러 형태의 맥락 정보를 모두 지원하고 맥락 정보의 양에 대해 선형적인(linear) 확장성을 가지기 때문에, 실무에서 마주칠 수 있는 유저 맥락 정보의 양과 종류가 수백, 수천에 달하는 경우에도 무리없이 적용할 수 있다. 실제로 두개의 데이터셋에 대해 실험해본 결과, CCE가 다양한 유저의 맥락 정보를 이용해 장기적인 유저 선호도가 고려되지 않는 순수한 세션 기반 모델 대비 성능이 향상되는 것을 확인할 수 있었다.
