Session-based-Recommendation-with-Graph-Attention-Networks/presentation.html at main · karolbystrek/Session-based-Recommendation-with-Graph-Attention-Networks · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
<!doctype html>
<html lang="pl">
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1">
  <title>GAT w rekomendacji sesyjnej</title>
  <style>
    :root {
      --bg: #f6f7f9;
      --ink: #17202a;
      --muted: #59636f;
      --line: #d9dee6;
      --blue: #1f77b4;
      --green: #2ca02c;
      --orange: #d95f02;
      --red: #c44e52;
      --paper: #ffffff;
    }

    * {
      box-sizing: border-box;
    }

    body {
      margin: 0;
      min-height: 100vh;
      color: var(--ink);
      background: var(--bg);
      font-family: Inter, ui-sans-serif, system-ui, -apple-system, BlinkMacSystemFont, "Segoe UI", sans-serif;
      letter-spacing: 0;
    }

    .deck {
      width: 100vw;
      height: 100vh;
      overflow: hidden;
      position: relative;
    }

    .slide {
      display: none;
      width: 100vw;
      height: 100vh;
      padding: clamp(28px, 4vw, 58px);
      background: var(--paper);
      position: absolute;
      inset: 0;
    }

    .speaker-tag {
      position: absolute;
      top: clamp(20px, 3vw, 40px);
      right: clamp(20px, 3vw, 40px);
      z-index: 12;
      color: var(--ink);
      font-size: clamp(28px, 3.2vw, 42px);
      font-weight: 800;
      line-height: 1;
      pointer-events: none;
      user-select: none;
    }

    .slide.active {
      display: flex;
      flex-direction: column;
      justify-content: center;
      gap: 24px;
    }

    .slide.compact {
      gap: 18px;
    }

    .slide.plot-slide.active {
      justify-content: center;
      align-items: center;
      gap: 14px;
    }

    .eyebrow {
      color: var(--blue);
      font-size: clamp(14px, 1.3vw, 18px);
      font-weight: 700;
      text-transform: uppercase;
    }

    h1,
    h2 {
      margin: 0;
      line-height: 1.05;
      letter-spacing: 0;
    }

    h1 {
      max-width: 1100px;
      font-size: clamp(44px, 6vw, 84px);
    }

    h2 {
      font-size: clamp(34px, 4.2vw, 62px);
    }

    h3 {
      margin: 0;
      font-size: clamp(20px, 2vw, 28px);
    }

    p,
    li {
      font-size: clamp(18px, 1.75vw, 27px);
      line-height: 1.35;
    }

    p {
      max-width: 1040px;
      margin: 0;
      color: var(--muted);
    }

    ul {
      margin: 0;
      padding-left: 1.1em;
    }

    li + li {
      margin-top: 10px;
    }

    .title-meta {
      display: flex;
      flex-wrap: wrap;
      gap: 14px;
      color: var(--muted);
      font-size: clamp(17px, 1.4vw, 22px);
    }

    .two-col {
      display: grid;
      grid-template-columns: minmax(0, 1fr) minmax(0, 1fr);
      gap: 34px;
      align-items: center;
    }

    .three-col {
      display: grid;
      grid-template-columns: repeat(3, minmax(0, 1fr));
      gap: 20px;
      align-items: stretch;
    }

    .panel {
      border: 1px solid var(--line);
      border-radius: 8px;
      padding: 22px;
      background: #fbfcfe;
    }

    .panel p,
    .panel li {
      font-size: clamp(16px, 1.35vw, 22px);
    }

    .panel h3 {
      margin-bottom: 12px;
    }

    .flow {
      display: grid;
      grid-template-columns: repeat(5, minmax(0, 1fr));
      gap: 12px;
      align-items: center;
    }

    .flow-step {
      min-height: 106px;
      border: 2px solid var(--line);
      padding: 16px;
      display: flex;
      align-items: center;
      justify-content: center;
      text-align: center;
      font-size: clamp(16px, 1.35vw, 22px);
      font-weight: 700;
    }

    .arrow {
      text-align: center;
      color: var(--muted);
      font-weight: 900;
      font-size: 28px;
    }

    .graph-demo {
      width: min(640px, 100%);
      aspect-ratio: 16 / 9;
      border: 1px solid var(--line);
      background: #fbfcfe;
    }

    .metric-grid {
      display: grid;
      grid-template-columns: repeat(4, minmax(0, 1fr));
      gap: 16px;
    }

    .metric {
      border-left: 6px solid var(--blue);
      padding: 16px 18px;
      background: #f8fafc;
    }

    .metric strong {
      display: block;
      font-size: clamp(24px, 2.6vw, 38px);
      line-height: 1.05;
    }

    .metric span {
      color: var(--muted);
      font-size: clamp(14px, 1.1vw, 18px);
    }

    .chart {
      max-width: 100%;
      max-height: 68vh;
      object-fit: contain;
      border: 1px solid var(--line);
      background: #fff;
    }

    .chart.tall {
      max-height: 76vh;
    }

    .plot-slide .chart {
      width: auto;
      height: calc(100vh - 178px);
      max-width: calc(100vw - 96px);
      max-height: none;
      object-fit: contain;
    }

    .plot-slide h2 {
      text-align: center;
    }

    .small {
      color: var(--muted);
      font-size: clamp(14px, 1.05vw, 18px);
      line-height: 1.35;
    }

    .tag {
      display: inline-block;
      color: #fff;
      background: var(--blue);
      padding: 4px 10px;
      border-radius: 4px;
      font-size: clamp(13px, 1vw, 16px);
      font-weight: 700;
    }

    .citation {
      display: inline-flex;
      align-items: center;
      gap: 6px;
      width: fit-content;
      margin-top: 10px;
      color: var(--muted);
      background: #eef2f7;
      border: 1px solid var(--line);
      border-radius: 6px;
      padding: 5px 9px;
      font-size: clamp(13px, 1vw, 16px);
      font-weight: 700;
      text-decoration: none;
      line-height: 1.15;
    }

    .citation.inline {
      margin-top: 0;
      margin-left: 10px;
      vertical-align: middle;
    }

    .citation:hover {
      color: var(--blue);
      border-color: var(--blue);
      background: #f8fbff;
    }

    .citation span {
      color: var(--blue);
    }

    .paper-ref {
      display: block;
      width: fit-content;
      margin: 4px 0 14px;
      color: var(--muted);
      font-size: clamp(13px, 1vw, 16px);
      font-weight: 600;
      text-decoration: none;
      line-height: 1.2;
    }

    .paper-ref span {
      color: var(--blue);
    }

    .paper-ref:hover {
      color: var(--blue);
      text-decoration: underline;
    }

    .accent-blue {
      color: var(--blue);
    }

    .accent-green {
      color: var(--green);
    }

    .accent-orange {
      color: var(--orange);
    }

    .slide.closing-slide.active {
      justify-content: center;
      align-items: center;
      text-align: center;
      gap: 18px;
    }

    .closing-slide h2 {
      max-width: none;
    }

    .closing-graph {
      width: min(760px, 92vw);
      aspect-ratio: 16 / 9;
      border: 1px solid var(--line);
      border-radius: 10px;
      background: linear-gradient(180deg, #fbfcfe 0%, #f3f6fa 100%);
    }

    .closing-graph .node-label {
      font-size: 15px;
      font-weight: 700;
      fill: #fff;
    }

    .closing-authors {
      margin: 0;
      max-width: none;
      color: var(--ink);
      font-size: clamp(20px, 2vw, 30px);
      font-weight: 600;
      letter-spacing: 0.02em;
    }

    .closing-authors span {
      color: var(--muted);
      font-weight: 500;
    }

    .progress {
      position: fixed;
      left: 0;
      bottom: 0;
      height: 5px;
      width: 100%;
      background: #e4e8ef;
      z-index: 10;
    }

    .progress-bar {
      height: 100%;
      width: 0;
      background: var(--blue);
      transition: width 160ms ease;
    }

    .counter {
      position: fixed;
      right: 20px;
      bottom: 16px;
      color: var(--muted);
      font-size: 14px;
      z-index: 11;
    }

    @media (max-width: 900px) {
      .two-col,
      .three-col,
      .metric-grid {
        grid-template-columns: 1fr;
      }

      .flow {
        grid-template-columns: 1fr;
      }

      .arrow {
        transform: rotate(90deg);
      }

      .slide {
        overflow-y: auto;
      }

      .slide.active {
        justify-content: flex-start;
      }
    }

    @media print {
      body,
      .deck {
        width: auto;
        height: auto;
        overflow: visible;
        background: #fff;
      }

      .slide,
      .slide.active {
        display: flex;
        position: static;
        width: 100vw;
        height: 100vh;
        page-break-after: always;
      }

      .progress,
      .counter {
        display: none;
      }
    }
  </style>
</head>
<body>
  <main class="deck" aria-live="polite">
    <section class="slide active">
      <span class="speaker-tag">P</span>
      <div class="eyebrow">Prezentacja badania</div>
      <h1>Session-based Recommendation with Graph Attention Networks</h1>
      <p>W badaniu sprawdzamy, czy enkoder GAT może zastąpić propagację GGNN (Gated Graph Neural Network) w grafowych modelach predykcji następnego produktu.</p>
    </section>

    <section class="slide">
      <span class="speaker-tag">P</span>
      <div class="eyebrow">Problem</div>
      <h2>Przewidzieć następny produkt w krótkiej anonimowej sesji</h2>
      <div class="flow">
        <div class="flow-step">telefon</div>
        <div class="arrow">&rarr;</div>
        <div class="flow-step">etui</div>
        <div class="arrow">&rarr;</div>
        <div class="flow-step">ładowarka?</div>
      </div>
      <p>W rekomendacji sesyjnej system nie zna profilu użytkownika. Widzi tylko bieżącą sekwencję kliknięć i musi ułożyć ranking produktów, które najpewniej zostaną kliknięte jako następne.</p>
    </section>

    <section class="slide">
      <span class="speaker-tag">P</span>
      <div class="eyebrow">Dlaczego to trudne</div>
      <h2>Krótkie sesje zawierają słaby i zaszumiony sygnał</h2>
      <div class="three-col">
        <div class="panel">
          <h3>Brak profilu</h3>
          <p>Ta sama osoba może pojawić się jako nowa anonimowa sesja, więc model nie może opierać się na długiej historii.</p>
        </div>
        <div class="panel">
          <h3>Kolejność ma znaczenie</h3>
          <p>Ostatnie kliknięcie często lepiej opisuje bieżącą intencję niż starsze elementy sesji.</p>
        </div>
        <div class="panel">
          <h3>Nie każde kliknięcie jest ważne</h3>
          <p>Część przejść jest przypadkowa lub mało informacyjna. Model powinien nauczyć się, które relacje między produktami są istotne.</p>
        </div>
      </div>
    </section>

    <section class="slide">
      <span class="speaker-tag">P</span>
      <div class="eyebrow">Reprezentacja grafowa</div>
      <h2>Sesję można zapisać jako graf przejść między produktami</h2>
      <div class="two-col">
        <svg class="closing-graph" viewBox="0 0 760 430" role="img" aria-label="Graf sesji: telefon, etui, ładowarka">
          <defs>
            <marker id="session-arrow" markerWidth="10" markerHeight="10" refX="8" refY="3" orient="auto" markerUnits="strokeWidth">
              <path d="M0,0 L0,6 L9,3 z" fill="#59636f"></path>
            </marker>
            <marker id="session-arrow-accent" markerWidth="10" markerHeight="10" refX="8" refY="3" orient="auto" markerUnits="strokeWidth">
              <path d="M0,0 L0,6 L9,3 z" fill="#d95f02"></path>
            </marker>
            <filter id="session-node-shadow" x="-20%" y="-20%" width="140%" height="140%">
              <feDropShadow dx="0" dy="2" stdDeviation="3" flood-color="#17202a" flood-opacity="0.12"></feDropShadow>
            </filter>
          </defs>
          <line x1="195" y1="248" x2="318" y2="168" stroke="#59636f" stroke-width="5" marker-end="url(#session-arrow)"></line>
          <line x1="442" y1="168" x2="565" y2="248" stroke="#59636f" stroke-width="5" marker-end="url(#session-arrow)"></line>
          <line x1="195" y1="248" x2="565" y2="248" stroke="#d9dee6" stroke-width="3" stroke-dasharray="10 8"></line>
          <line x1="318" y1="168" x2="565" y2="248" stroke="#d95f02" stroke-width="6" marker-end="url(#session-arrow-accent)" opacity="0.95"></line>
          <g filter="url(#session-node-shadow)">
            <circle cx="155" cy="255" r="62" fill="#1f77b4"></circle>
            <circle cx="380" cy="155" r="62" fill="#2ca02c"></circle>
            <circle cx="605" cy="255" r="62" fill="#d95f02"></circle>
            <circle cx="380" cy="330" r="48" fill="#8c8c8c"></circle>
          </g>
          <text x="155" y="262" text-anchor="middle" class="node-label">telefon</text>
          <text x="380" y="162" text-anchor="middle" class="node-label">etui</text>
          <text x="605" y="262" text-anchor="middle" class="node-label">ładowarka</text>
          <text x="380" y="338" text-anchor="middle" font-size="22" fill="#fff" font-weight="700">?</text>
          <text x="380" y="395" text-anchor="middle" font-size="16" fill="#59636f" font-weight="600">następne kliknięcie</text>
          <text x="380" y="55" text-anchor="middle" font-size="14" fill="#59636f" font-weight="600">sesja użytkownika</text>
        </svg>
        <ul>
          <li>Węzły to unikalne produkty występujące w sesji.</li>
          <li>Skierowane krawędzie oznaczają zaobserwowane przejścia kliknięć.</li>
          <li>Powtarzające się przejścia mogą wzmacniać sygnał krawędzi.</li>
          <li>Graf zachowuje kolejność, ale pokazuje też strukturę powiązań wewnątrz sesji.</li>
        </ul>
      </div>
      <p class="small">Sekwencja mówi, co wystąpiło po czym. Graf pozwala dodatkowo wykorzystać powtarzalność i relacje między klikniętymi produktami.</p>
    </section>

    <section class="slide">
      <span class="speaker-tag">K</span>
      <div class="eyebrow">Modele odniesienia</div>
      <h2>Badanie opiera się na dwóch grafowych architekturach</h2>
      <div class="two-col">
        <div class="panel">
          <span class="tag">SR-GNN</span>
          <a class="paper-ref" href="https://arxiv.org/abs/1811.00855" target="_blank" rel="noopener">Wu et al., 2019 · <span>Session-based Recommendation with Graph Neural Networks</span></a>
          <h3>Graf sesji i hybrydowa preferencja</h3>
          <p>SR-GNN zamienia sesję na skierowany graf przejść między produktami i uczy reprezentacje węzłów przez propagację GGNN. Jego kluczowy mechanizm to połączenie dwóch sygnałów: ostatniego kliknięcia jako bieżącej intencji oraz ważonego przez uwagę podsumowania całej sesji jako preferencji globalnej.</p>
        </div>
        <div class="panel">
          <span class="tag">TAGNN</span>
          <a class="paper-ref" href="https://arxiv.org/abs/2005.02844" target="_blank" rel="noopener">Yu et al., 2020 · <span>Target Attentive Graph Neural Networks for Session-based Recommendation</span></a>
          <h3>Target-aware attention</h3>
          <p>TAGNN również korzysta z grafowej reprezentacji sesji, ale zmienia sposób oceniania produktów. Zamiast jednej stałej reprezentacji sesji tworzy reprezentację zależną od produktu-kandydata: target-aware attention wzmacnia te kliknięcia, które są najbardziej istotne dla aktualnie ocenianego celu.</p>
        </div>
      </div>
    </section>

    <section class="slide">
      <span class="speaker-tag">K</span>
      <div class="eyebrow">Pytanie badawcze</div>
      <h2>Co się stanie, gdy propagację GGNN zastąpimy przez GAT?</h2>
      <ul>
        <li>Czy grafowy enkoder oparty na uwadze poprawia predykcję następnego produktu?</li>
        <li>Czy efekt zależy od sposobu zbudowania reprezentacji sesji po enkodowaniu grafu?</li>
        <li>Czy w pełni uwagowa architektura GAT + SAGPool może konkurować z modelami odniesienia?</li>
      </ul>
      <p class="small">Kluczowe jest kontrolowane porównanie: zmieniamy enkoder grafowy, a zadanie, zbiory danych i metryki pozostają zgodne z pracami odniesienia.</p>
    </section>

    <section class="slide compact">
      <span class="speaker-tag">K</span>
      <div class="eyebrow">Hipotezy</div>
      <h2>Zakładaliśmy, że uwaga może pomóc, ale nie w każdym wariancie tak samo</h2>
      <ul>
        <li><strong>H1:</strong> GAT nauczy się bardziej selektywnych reprezentacji produktów niż GGNN, bo może różnie ważyć sąsiednie przejścia.</li>
        <li><strong>H2:</strong> Zysk z GAT będzie zależał od mechanizmu odczytu sesji: SR-GNN, TAGNN i SAGPool wykorzystują reprezentacje w inny sposób.</li>
        <li><strong>H3:</strong> Połączenie GAT z SAGPool daje spójną architekturę uwagową, która może pokonać SR-GNN i TAGNN.</li>
      </ul>
    </section>

    <section class="slide">
      <span class="speaker-tag">K</span>
      <div class="eyebrow">Intuicja GAT</div>
      <h2>GAT uczy się, którym sąsiednim produktom poświęcić więcej uwagi <a class="citation inline" href="https://arxiv.org/abs/1710.10903" target="_blank" rel="noopener">Velickovic et al., 2018 <span>arXiv:1710.10903</span></a></h2>
      <div class="two-col">
        <div class="panel">
          <h3>Propagacja typu GGNN</h3>
          <p>Informacje przechodzą przez krawędzie grafu z użyciem rekurencyjnych, bramkowanych aktualizacji.</p>
        </div>
        <div class="panel">
          <h3>Propagacja typu GAT</h3>
          <p>Informacje nadal przechodzą przez krawędzie, ale model uczy się wag uwagi dla sąsiednich produktów.</p>
        </div>
      </div>
      <p>Intuicja: reprezentacja produktu powinna bardziej korzystać z informacyjnych przejść niż z przypadkowych kliknięć.</p>
    </section>

    <section class="slide compact">
      <span class="speaker-tag">K</span>
      <div class="eyebrow">Finalna architektura</div>
      <h2>Wspólny enkoder GAT w finalnych modelach</h2>
      <div class="two-col">
        <div class="panel">
          <h3>Projekt enkodera</h3>
          <ul>
            <li>Jeden węzeł dla każdego unikalnego produktu w sesji</li>
            <li>Osobne kanały przejść do przodu i wstecz</li>
            <li>Jedna warstwa <code>GATConv</code> dla każdego kierunku</li>
            <li>rozmiar reprezentacji węzła 100 (4 head x 25 dims)</li>
            <li>Wyjście GAT jest dodawane do wejściowej reprezentacji węzła</li>
          </ul>
        </div>
        <div class="panel">
          <h3>Cechy krawędzi</h3>
          <ul>
            <li><strong>Prawdopodobieństwo przejścia:</strong> jak często po produkcie źródłowym pojawia się dany produkt docelowy.</li>
            <li><strong>Siła powtórzeń:</strong> czy to samo przejście występowało w sesji wielokrotnie.</li>
            <li><strong>Świeżość przejścia:</strong> jak późno dane przejście pojawiło się w sekwencji kliknięć.</li>
          </ul>
        </div>
      </div>
    </section>

    <section class="slide compact">
      <span class="speaker-tag">P</span>
      <div class="eyebrow">Koncepcja SAGPool</div>
      <h2>SAGPool wybiera najważniejsze węzły przed zbudowaniem reprezentacji sesji <a class="citation inline" href="https://arxiv.org/abs/1904.08082" target="_blank" rel="noopener">Lee et al., 2019 <span>arXiv:1904.08082</span></a></h2>
      <div class="two-col">
        <div class="panel">
          <h3>Selekcja węzłów</h3>
          <ul>
            <li>Wejściem są reprezentacje produktów wyliczone wcześniej przez GAT.</li>
            <li>SAGPool uczy funkcję punktującą, która nadaje każdemu węzłowi wynik ważności.</li>
            <li>Model sortuje węzły według tych wyników i zostawia tylko górną część grafu.</li>
            <li>Reprezentacje zostawionych węzłów są mnożone przez ich wyniki, więc ważniejsze produkty mają silniejszy wpływ.</li>
          </ul>
          <h4>Czyli model sam wybiera, które kliknięcia w sesji wziąć najbardziej pod uwagę, a które można pominąć</h4>
        </div>
        <div class="panel">
          <h3>Agregacja do wektora sesji</h3>
          <ul>
            <li>Po selekcji zostaje mniejszy graf z najbardziej informacyjnych produktów.</li>
            <li>Wektory tych produktów są sumaryzowane funkcjami globalnymi: średnią i maksimum.</li>
            <li>Średnia opisuje ogólny kontekst zachowanych kliknięć, a maksimum wyłapuje najsilniejsze cechy pojedynczych produktów.</li>
            <li>Wyniki agregacji są łączone z reprezentacją ostatniego kliknięcia i dopiero z tego powstaje finalny wektor sesji.</li>
          </ul>
          <h4>Z ważnych węzłów robimy podsumowanie sesji i dokładamy sygnał z ostatniego kliknięcia</h4>
        </div>
      </div>
    </section>

    <section class="slide compact">
      <span class="speaker-tag">P</span>
      <div class="eyebrow">Warianty modeli</div>
      <h2>Trzy odczyty sesji pokazują, gdzie GAT pomaga</h2>
      <div class="three-col">
        <div class="panel">
          <h3 class="accent-blue">GAT-SR-GNN</h3>
          <p>Enkoder GAT oraz odczyt sesji typu SR-GNN: połączenie sygnału lokalnego i globalnego.</p>
        </div>
        <div class="panel">
          <h3 class="accent-green">GAT-TAGNN</h3>
          <p>Enkoder GAT oraz odczyt zależny od kandydata, więc reprezentacja sesji zmienia się dla ocenianego produktu.</p>
        </div>
        <div class="panel">
          <h3 class="accent-orange">GAT-SAGPool</h3>
          <p>Enkoder GAT z poolingiem grafowym opartym na self-attention oraz zachowaniem informacji o ostatnim kliknięciu.</p>
        </div>
      </div>
    </section>

    <section class="slide compact">
      <span class="speaker-tag">P</span>
      <div class="eyebrow">Eksperyment</div>
      <h2>Ewaluacja jest zgodna z pracami odniesienia</h2>
      <div class="metric-grid">
        <div class="metric">
          <strong>2</strong>
          <span>Zbiory danych: Yoochoose 1/64 i Diginetica</span>
        </div>
        <div class="metric">
          <strong>Top-20</strong>
          <span>Model zwraca 20 rekomendacji dla każdego prefiksu sesji</span>
        </div>
        <div class="metric">
          <strong>P@20</strong>
          <span>Sprawdza, czy właściwy produkt jest w top 20</span>
        </div>
        <div class="metric">
          <strong>MRR@20</strong>
          <span>Ocena pozycji właściwego produktu w top 20</span>
        </div>
      </div>
    </section>

    <section class="slide plot-slide">
      <span class="speaker-tag">P</span>
      <div class="eyebrow">Rozwój modeli</div>
      <h2>Precision@20 w kolejnych iteracjach</h2>
      <img class="chart" src="presentation-assets/precision_progression.png" alt="Zmiany Precision@20 dla kolejnych iteracji modeli GAT">
    </section>

    <section class="slide plot-slide">
      <span class="speaker-tag">P</span>
      <div class="eyebrow">Rozwój modeli</div>
      <h2>MRR@20 w kolejnych iteracjach</h2>
      <img class="chart" src="presentation-assets/mrr_progression.png" alt="Zmiany MRR@20 dla kolejnych iteracji modeli GAT">
    </section>

    <section class="slide compact">
      <span class="speaker-tag">K</span>
      <div class="eyebrow">Podsumowanie iteracji</div>
      <h2>Jak zmieniała się architektura enkodera GAT</h2>
      <ul>
        <li>Najpierw powstały pełne warianty GAT-SR-GNN i GAT-TAGNN: zmieniono enkoder grafowy, a odczyty sesji pozostawiono zgodne z modelami odniesienia.</li>
        <li>Następnie upraszczano stos GAT i testowano bardziej ekspresyjne warianty propagacji, aby sprawdzić, czy sama uwaga wystarczy do poprawy reprezentacji produktów.</li>
        <li>Kolejny etap przywrócił jawny sygnał struktury sesji: powtarzające się przejścia oraz połączenia rezydualne stabilizujące aktualizację reprezentacji węzłów.</li>
        <li>Bardziej złożone dodatki, takie jak bramkowanie i normalizacja w stosie GAT, pogorszyły wyniki, więc projekt wrócił do prostszego ważonego <code>GATConv</code>.</li>
        <li>Finalnie zachowano stałe odczyty SR-GNN/TAGNN, a krawędzie opisano trzema interpretowalnymi cechami: prawdopodobieństwem przejścia, siłą powtórzeń i świeżością.</li>
      </ul>
    </section>

    <section class="slide plot-slide">
      <span class="speaker-tag">K</span>
      <div class="eyebrow">Główne porównanie</div>
      <h2>Wyniki z publikacji i finalne architektury GAT</h2>
      <img class="chart" src="presentation-assets/main_results_2x2.png" alt="Wyniki z publikacji i finalne architektury GAT dla obu zbiorów danych i metryk">
    </section>

    <section class="slide compact">
      <span class="speaker-tag">K</span>
      <div class="eyebrow">Główne porównanie</div>
      <h2>Co pokazują wyniki</h2>
      <ul>
        <li>GAT-SR-GNN ma nieznacznie słabsze wyniki niż SR-GNN z publikacji</li>
        <li>GAT-TAGNN jest najbardziej konkurencyjnym finalnym wariantem GAT na obu zbiorach danych. GAT-TAGNN poprawia wyniki TAGNN z publikacji na obu zbiorach danych.</li>
        <li>SAGPool jest wartościową gałęzią eksploracyjną, ale nie pokonuje stabilnie odczytów znanych z SR-GNN i TAGNN.</li>
      </ul>
    </section>

    <section class="slide compact">
      <span class="speaker-tag">K</span>
      <div class="eyebrow">Interpretacja</div>
      <h2>GAT pomaga wtedy, gdy odczyt potrafi wykorzystać relacje produktu-kandydata</h2>
      <ul>
        <li>GAT-TAGNN daje niewielką poprawę, bo target-aware attention ocenia kliknięcia w kontekście konkretnego produktu-kandydata.</li>
        <li>Dzięki temu bogatsze reprezentacje z GAT nie są od razu ściskane do jednego stałego wektora sesji, tylko mogą wpływać na ranking zależnie od ocenianego celu.</li>
        <li>GAT-SR-GNN nieco pogarsza wyniki, bo odczyt SR-GNN tworzy jedną hybrydową reprezentację sesji opartą na ostatnim kliknięciu i globalnym podsumowaniu.</li>
        <li>W takim odczycie dodatkowy, bardziej selektywny sygnał z GAT może zostać rozmyty albo wprowadzić szum, którego oryginalny GGNN z bramkowaniem lepiej tłumił.</li>
      </ul>
    </section>

    <section class="slide">
      <span class="speaker-tag">K</span>
      <div class="eyebrow">Wnioski</div>
      <h2>Najważniejsze obserwacje</h2>
      <ul>
        <li>Najbardziej obiecujący kierunek to GAT połączony z odczytem zależnym od produktu-kandydata, tak jak w TAGNN.</li>
        <li>Wariant SR-GNN pokazuje, że lepszy lub bardziej ekspresyjny enkoder nie gwarantuje lepszego rankingu, jeśli odczyt sesji nie wykorzystuje jego informacji.</li>
        <li>Mechanizmy stabilizujące GGNN, szczególnie bramkowanie, mogły być korzystne dla odczytu SR-GNN i ich prosta zamiana na GAT nie zachowuje tej samej dynamiki.</li>
        <li>SAGPool pozostaje eksperymentem z inną formą odczytu grafu, ale sama selekcja ważnych węzłów nie zastąpiła skutecznie target-aware scoring. Wymagane jest dalsze dopracowanie tego mechanizmu.</li>
      </ul>
    </section>

    <section class="slide closing-slide">
      <span class="speaker-tag"></span>
      <div class="eyebrow">Koniec</div>
      <h2>Dziękujemy za uwagę</h2>
      <p class="closing-authors">Karol Bystrek <span>·</span> Patryk Chamera</p>
    </section>

  </main>

  <div class="progress" aria-hidden="true"><div class="progress-bar"></div></div>
  <div class="counter" aria-hidden="true"></div>

  <script>
    const slides = Array.from(document.querySelectorAll(".slide"));
    const bar = document.querySelector(".progress-bar");
    const counter = document.querySelector(".counter");
    let index = Number(new URLSearchParams(window.location.search).get("slide") || 1) - 1;

    function clamp(value, min, max) {
      return Math.min(Math.max(value, min), max);
    }

    function show(nextIndex) {
      index = clamp(nextIndex, 0, slides.length - 1);
      slides.forEach((slide, slideIndex) => {
        slide.classList.toggle("active", slideIndex === index);
      });
      bar.style.width = `${((index + 1) / slides.length) * 100}%`;
      counter.textContent = `${index + 1} / ${slides.length}`;
      history.replaceState(null, "", `?slide=${index + 1}`);
    }

    document.addEventListener("keydown", (event) => {
      if (["ArrowRight", "PageDown", " "].includes(event.key)) {
        event.preventDefault();
        show(index + 1);
      }
      if (["ArrowLeft", "PageUp", "Backspace"].includes(event.key)) {
        event.preventDefault();
        show(index - 1);
      }
      if (event.key === "Home") {
        show(0);
      }
      if (event.key === "End") {
        show(slides.length - 1);
      }
    });

    document.addEventListener("click", (event) => {
      const midpoint = window.innerWidth / 2;
      show(event.clientX >= midpoint ? index + 1 : index - 1);
    });

    show(index);
  </script>
</body>
</html>