Session based recommendation systems aim to predict the transitions of user preferences in a short session. Recently, some modified recurrent neural networks (RNNs) have been proposed to model the transitions of user preferences. These approaches focus on resolving the long-term dependency and interest drift problems by modifying the RNN structure, applying attention mechanism and employing appropriate loss functions. The inputs to the RNN of these methods are the feature vectors obtained via item embedding which is randomly initialized. In this paper, we observe that the performance of such RNN-based systems can be improved by initializing item embedding with item features obtained by an Autoencoder. In particular, we show that performance of conventional gated recurrent unit (GRU) with conventional cross-entropy loss function can be improved when the proposed initialization for item embedding is employed. Also, a modified GRU model can outperform the-state-of-the-arts performance. It is shown that the proposed GRU-based system is considerably simpler to implement than the recent RNN-based techniques.
세션 기반 추천시스템은 짧은 세션에서의 사용자 선호도의 전환을 예측하는 것을 목표로 한다. 최근, 시간이 흐름에 따른 사용자 선호도의 변화를 모델링하기 위해 일부 변형된 재귀 신경망(RNN)이 제안되었다. 이러한 접근법들은 사용자의 장기적인 경향(long term dependency) 그리고 선호 변화를 해결하기 위하여 RNN 구조를 수정하거나, 어텐션 메커니즘을 적용하며, 적절한 손실함수를 적용하였다. 앞서 언급한 RNN 모델에 대한 아이템 입력은 무작위로 초기화한 임베딩 벡터를 사용한다. 본 논문에서는 세션 기반 추천 시스템의 성능 향상을 위하여 오토인코더를 사용한 임베딩 벡터의 초기화를 제안한다. 특히, 제안된 초기화 기법을 사용하여 가장 간단한 GRU 모델의 성능이 향상될 수 있음을 보였다. 또한, 새로 제안하는 변형된 GRU 기반 모델이 간단하며 state-of-the-arts performance를 달성함을 보였다.
