using MoE, Ensemble, Gating
→ gating을 쓰는 논문, but 그로 인한 성능 향상이 애매함
→ 새로운 loss function 도입으로, sequential, graph에 대한 특성 모두 학습한 embedding 생성, 생각해볼만한 여지가 좀 더 있음
→ denoising 관련 얘기나, sparsity 관련 얘기 등등, 근데 일단 2개를 잘 섞으면 성능이 오른다는건 보장된 얘기 같음 (실험으로 검증도 가능)
Representation 통합 관점
⇒ 조사 필요
→ 얘는 특이하게 item-item relation이랑 sequence를 섞네..! 잘하면 cold-start를 해결할 수도 있을 거 같음
→ 뭐하는 애들인지 잘 모르겠음 (복잡, no conference)
→ 뭐하는 애들인지 잘 모르겠음 (복잡, no conference)
Referencing other sequence
→ 이것저것 복잡한 아키텍처를 엄청 쓰지만 성능은 잘 오르지 않음
→ 다만 collaborative graph learning for session-based recommendation 이 논문의 경우, deterministic하게 neighbor을 참조한느게 아니라 성능 향상의 여지가 있어보임.
→ 일단 DGTN 방법론을 한 번 살펴보고 실험을 한 번 돌려보고, CGL 결과랑 한 번 비교해봐도 좋을듯
•
DGTN의 경우, duplicate item 갯수로 similar session을 추출하네… 근데 성능이 엄청 뚜렷하게 나오진 않는듯
→ CGL 코드가 없네… 우씨..