FenixEdu™

Dissertação

{pt_PT=Context-aware Session-based Recommendation: An Attentional Deep Learning approach to Re-ranking} {} EVALUATED

Detalhes: {pt=Os sistemas de recomendação moderam uma quantidade substancial da interface de interação online, fornecendo uma gama cada vez mais relevante de benefícios para utilizadores e fornecedores de negócios, numa era de crescimento exponencial de conteúdos, produtos e serviços digitais disponíveis. Alguns domínios, como aplicações de viagens e de e-commerce, estão dependentes de perfis de atividade esporádica e maioritariamente anónima, permitindo apenas acesso a dinâmicas derivadas de sessões de curto prazo que exigem soluções robustas independentes de perfis de utilizadores estruturados. Este trabalho abrange o desenvolvimento de um sistema de recomendação para re-ranking com deep learning e mecanismos de atenção, sujeito a estas condições desafiadoras, com base nos dados fornecidos para o 2019 ACL Recommender Systems Challenge. A abordagem desenvolvida demonstra um resultado no 85º percentil (em termos de MRR online previsto, considerando um intervalo de resultados limitado a valores superiores aos da baseline fornecida) com geração mínima de features num ambiente computacional bastante restritivo. As várias inconsistências inerentes ao campo de investigação, incluindo a divergência proeminente entre objetivos de produção offline e online, motivaram uma mudança no foco principal do trabalho de desempenho ao nível da tabela classificativa, que normalmente recompensa o excesso de engenharia de features e complexidade de modelos. Em alternativa, foi enfatizada a análise do potencial de aprendizagem de representações e do impacto dos componentes específicos da arquitetura obtida, derivados de um procedimento de Otimização Bayesiana automática com Processos Gaussianos sobre um espaço de hiperparâmetros altamente condicional., en=Recommender systems mediate a substantial share of the online interaction interface, providing an ever-more relevant array of benefits for both users and business providers amidst the exponential growth of available digital content, products and services. Some domains, such as travel and e-commerce applications experience sporadic and mostly anonymous activity, thereby only observing short-term session-based dynamics, requiring robust solutions independent of structured user profiles. This work encompasses the development of an attentional deep learning re-ranking recommender under these challenging conditions, on the basis of the dataset provided for the 2019 ACL Recommender Systems Challenge. The developed approach demonstrates an 85th percentile result (in predicted online MRR, considering a limited score range exceeding that of the provided baseline) with minimal feature generation effort in a very restricted computational environment. Nonetheless, various inconsistencies in the research field including the prominent divergence between offline and online production objectives, motivated a shift in the main focus away from leaderboard performance, which typically rewards feature over-engineering and model complexity. An analysis of representation learning’s potential and specific component impact, derived from an automatic Bayesian Optimization with Gaussian Processes procedure over a highly conditional hyperparameter space, was emphasized instead.}
Keywords: {pt=Sistemas de recomendação, recomendação baseada em sessões, modelação de interações sequenciais, deep learning, self-attention, otimização bayesiana, en=Recommender systems, session-based recommendation, sequential interaction modeling, deep learning, self-attention, bayesian optimization}

Discussão: outubro 7, 2021, 10:0