Designing a Session-Based Candidate Generator for Item Recommendation in E-commerce Domain: A multistakeholder point of view

Abstract

Recommender systems (RS) are essential tools in the e-commerce domain, yet a key challenge arises with anonymous users for whom long-term preference profiles are not available. Session-based recommender systems (SBRS) address this issue by utilizing interaction data from an ongoing session. In commercial practice, RS must account for the requirements of all stakeholders, which should be considered in the design of the system. A two-stage architecture consisting of a candidate generator and a reranker is commonly used in such systems. This master’s thesis examines SBRS from a multistakeholder point of view and explores how session-based methods can be applied to recommend relevant items for online customers. Based on these findings, a candidate generator is designed and evaluated offline. This master's thesis contributes to SBRS research by introducing a novel commercial focus in the design of a session-based model. According to the literature review, lightweight model-free SBRS approaches, such as association rules (AR) and sequential rules (SR) emerge as particularly promising when evaluated against stakeholder requirements. The proposed Sequential Rules with Decayed Sliding Window (SR-DSW) model extends the SR approach by applying a fixed-size sliding window with a positional decay factor that emphasizes more recent interactions in a session. The candidate generation performance of SR-DSW is evaluated offline using a public dataset in two recommendation tasks: immediate next-view prediction and remaining carts prediction. Recall and Hit Rate are used as the primary evaluation metrics and the model is benchmarked against two baselines from the literature. The offline evaluation demonstrates that SR-DSW achieves promising results while also maintaining the lightweight profile and providing sufficient real-time prediction capability. SR-DSW meets all identified stakeholder requirements and demonstrates strong potential as a candidate generator in commercial RS. However, the model could benefit from richer, higher-level data and integration with a second-stage reranker. In general, this study demonstrates how simple models can be refined to satisfy stakeholder requirements and serve as effective components in practical RS.

Suosittelujärjestelmät (RS) ovat keskeisiä työkaluja verkkokaupassa, mutta merkittävä haaste liittyy anonyymeihin käyttäjiin, joista ei ole saatavilla pitkäaikaisia mieltymysprofiileja. Istuntopohjaiset suosittelujärjestelmät (SBRS) ratkaisevat tämän ongelman hyödyntämällä käyttäjän vuorovaikutustietoja käynnissä olevasta istunnosta. Kaupallisessa käytössä suosittelujärjestelmien on otettava huomioon kaikkien sidosryhmien vaatimukset, jotka tulisi sisällyttää järjestelmän suunnitteluun. Kaksivaiheinen arkkitehtuuri, joka koostuu ehdokasgeneraattorista ja uudelleensijoittajasta, on yleinen ratkaisu kaupallisissa suosittelujärjestelmissä. Tämä diplomityö tarkastelee SBRS-järjestelmiä monen sidosryhmän näkökulmasta ja selvittää, miten istuntopohjaisia menetelmiä voidaan hyödyntää relevanttien tuotteiden suosittelemiseksi verkkokaupan asiakkaille. Näiden havaintojen pohjalta suunnitellaan ehdokasgeneraattori, jota arvioidaan itsenäisesti. Tämä diplomityö edistää SBRS-tutkimusta tuomalla uuden, selkeästi kaupallisen näkökulman mallin suunnitteluun. Kirjallisuuskatsauksen perusteella erityisesti kevyet mallittomat menetelmät, kuten assosiaatiosäännöt (AR) ja peräkkäissäännöt (SR), osoittautuvat lupaaviksi arvioitaessa niitä sidosryhmien vaatimusten näkökulmasta. Esitetty Sequential Rules with Decayed Sliding Window (SR-DSW) -malli jatkaa olemassa olevaa SR-mallia soveltamalla kiinteän kokoista liukuvaa ikkunaa, jossa käytetään asemasta riippuvaa vaimennustekijää, joka painottaa istunnon uudempia vuorovaikutuksia. SR-DSW:n suorituskykyä arvioidaan itsenäisesti julkisella tietoaineistolla kahdessa suosittelutehtävässä: välittömän seuraavan katselun ennustamisessa ja jäljellä olevien ostoskoriin lisättävien tuotteiden ennustamisessa. Arviointimittareina käytetään ensisijaisesti saantia (Recall) ja löytyvyyttä (Hit Rate), ja mallia verrataan kahteen kirjallisuudessa esitettyyn perusviivoina toimivaan malliin. Tulokset osoittavat, että SR-DSW saavuttaa lupaavia tuloksia säilyttäen samalla kevyen rakenteen ja tarjoten riittävän reaaliaikaisen ennustuskyvyn. SR-DSW täyttää kaikki tunnistetut sidosryhmävaatimukset ja osoittaa siten vahvaa potentiaalia ehdokasgeneraattorina kaupallisissa suosittelujärjestelmissä. Malli voisi kuitenkin hyötyä monipuolisemmasta ja korkeamman tason datasta sekä integroinnista toisen vaiheen uudelleensijoittajaan. Yleisesti ottaen tämä tutkimus osoittaa, kuinka yksinkertaisia malleja voidaan jatkokehittää sidosryhmien vaatimuksien puitteissa ja kuinka ne voivat toimia tehokkaina komponentteina käytännön suosittelujärjestelmissä.