Joint Session-Item Encoding for Session-Based Recommendation: A Metric- Learning Approach with Temporal Smoothing

Abstract

In recommendation systems, a system is in charge of providing relevant recommendations towards users with either a clear target in mind or a mere vague mental representation. Session-based recommendation targets a specific scenario in recommendation systems, where users are anonymous. Thus the recommendation system must work under more challenging conditions, having only the current session to extract any user preferences to provide recommendations. This setting requires a model capable of understanding and relating different inter- actions across different sessions involving different items. This dissertation reflects such relationships on a commonly learned space for sessions and items. Such space is built using metric-learning, which can capture such relationships and build such space, where the distances between the elements (session and item embeddings) reflect how they relate to each other. We then use this learned space as the intermediary to provide relevant rec- ommendations. This work continues and extends on top of other relevant work showing the potential of metric-learning addressed to the session-based recommendation field. This dissertation proposes three significant contributions: (i) propose a novel joint session-item encoding model with temporal smoothing, with fewer parameters and the inclusion of temporal characteristics in learning (temporal proximity and temporal re- cency); (ii) enhanced recommendation performance surpassing other state-of-the-art metric-learning models for session-based recommendation; (iii) a thorough critical analy- sis, addressing and raising awareness to common problems in the field of session-based recommendation, discussing the reasons behind them and their impact on model perfor- mance.

Em sistemas de recomendação, um sistema fica encarregue de fornecer recomendações relevantes aos seus utilizadores que podem ter, ou uma ideia concreta daquilo que pre- tendem ou apenas uma vaga representação mental. Recomendação com base na sessão dirige-se principalmente a um cenário específico de sistemas de recomendação, onde os utilizadores são anónimos. Ou seja, estes sistemas têm de ser capazes de funcionar em condições mais desfavoráveis, tendo apenas a sessão atual disponível como input do utilizador para efetuar recomendações. Este contexto requer um modelo capaz de perceber e relacionar diferentes interações ao longo de várias outras sessões envolvendo diferentes itens. Esta dissertação reflete tais interações por via de um espaço comum, que é aprendido, para representar sessões e itens. Este espaço é construído usando metric-learning, técnica que consegue capturar tais relações e construir o espaço em questão, no qual a distância entre os vários elementos (embeddings de sessões e itens) reflete como estes se relacionam entre si. Usamos este espaço, que foi aprendido, como intermediário no fornecimento de recomendações rele- vantes. Este trabalho continua e extende para além de outros trabalhos relevantes na área que mostraram o potencial de aplicar metric-learning para o domínio de recomendação com base na sessão. Esta dissertação propõe as seguintes três principais e significativas contribuições: (i) propõe um novo modelo de codificação sessão-item conjunto com suavização temporal, com menos parâmetros e com a inclusão de características temporais no processo de aprendizagem (proximidade temporal e recência); (ii) um desempenho de recomenda- ção melhorado que ultrapassa outros métodos do estado-da-arte que utilizam técnicas de metric-learning para sistemas de recomendação com base na sessão; (iii) uma análise cuidada, que foca e tenta destacar alguns erros comuns neste campo de sistemas de re- comendação com base na sessão, discutindo as razões por detrás de tais erros e o seu impacto no desempenho dos modelos.