NormixSR: Improving Long-tail Recommendation via Norm-based Embedding Mixup Session Representation

세션 기반 추천에 사용되는 세션 데이터셋은 롱테일 분포를 지니고 있어, 자주 등장하는 상품들이 활발히 학습되지만, 반대의 경우에는 충분한 학습이 이루어지지 않아 롱테일 상품의 추천이 잘 이루어지지 않는다. 특히, GNN 기반 모델 학습 과정에서는 등장 빈도가 높은 상품들은 노름(Norm)이 증가하고, 세션 기반 추천의 특성상 노름이 큰 상품들에 치우쳐서 추천되는 경향이 있다. 본 논문에서는 이를 완화하기 위해서 노름의 크기를 반영한 새로운 임베딩 증강기법을 포함한 세션 기반 추천 모델인 NormixSR를 제안한다. 구체적으로, 노름이 작은 세션들을 임베딩 단계에서 보간하는 방식으로 증강하여 롱테일 세션들을 추가적으로 학습하는 기법을 제안하였고, 더하여 학습 가능한 소프트맥스 스케일링 기법과 Focal Loss를 통해 모델의 학습 능력을 향상할 수 있도록 하였다. 실험을 통해 NormixSR가 롱테일 상품의 추천 정확도 향상과 인기도 편향 완화에 효과가 있음을 보였다.