• Proceedings of the Korea Information Processing Society Conference
• /
• 2010.11a
• /
• pp.546-549
• /
• 2010

인터넷의 발달과 유통되는 정보의 양이 증가함에 따라, 그 속에서 사용자가 원하는 정보를 효과적으로 얻기 위한 노력이 계속되어 왔다. 그 중에서 사용자에게 적합한 상품을 추천하고 정보를 제공하기 위한 추천 시스템이 매우 중요하게 인식되고 있으며, 이에 대한 연구가 지속되고 있다. 본 논문에서는 추천 시스템의 핵심적인 방법들과 발전 방향을 다양한 측면에서 체계적으로 분석하였다. 최근에 자주 사용되어지는 효과적인 추천 시스템의 장단점을 비교하여, 추천 시스템이 적용될 수 있는 다양한 환경에서 최적화된 방법을 제시하였다. 더불어 기존의 추천 시스템이 가지고 있는 한계와 그 극복 방안에 대하여 모색해 보았다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.05a
• /
• pp.356-358
• /
• 2022

추천 시스템에서 사용되는 피드백은 단일 클래스와 다중 클래스 피드백으로 구분할 수 있다. 추천 시스템을 위한 지식 증류 기법들은 단일 클래스 환경에서 주로 연구되어 왔다. 우리는 다중 클래스 환경에서 또한 추천 시스템을 위한 최신 지식 증류 기법들이 효과적인지에 대해 알아보고자 하며, 해당 방법들 간의 추천 정확도를 비교해보고자 한다. 추천 시스템에서 보편적으로 사용되는 데이터 셋들을 기반으로 한 실험들을 통해 추천 시스템을 위한 지식 증류 기법들은 같은 조건의 기본적인 추천 시스템에 비해 정확도가 최대 193%까지 개선되는 것을 확인했다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2011.04a
• /
• pp.1308-1309
• /
• 2011

u-헬스 컨텐츠 증가에 따라 사용자들 자신에게 적합한 정보를 찾기 위해 많은 시간이 요구된다. 본 논문에서는 사용자 프로필 정보와 분야 전문 지식을 바탕으로 사용자에게 가장 적합한 아이템을 추천해주는 시스템을 제안한다. 제안하는 방법을 통해 기존 추천 시스템에서 발생하는 overspecialization 문제와 new user/item 문제를 완화 시킬 수 있다. 실험을 통해 제안하는 추천 시스템이 u-헬스 컨텐츠 추천에 적합함을 정성적으로 보인다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2020.11a
• /
• pp.759-760
• /
• 2020

최근 사용자, 상품, 그리고 상품의 메타 정보 사이의 관계를 표현한 지식 그래프 (knowledge graph) 가 추천 시스템 분야에서 많은 관심을 받고 있으며 활발히 이용되고 있다. 하지만 기존의 지식 그래프는 각 노드 (사용자, 상품, 메타 정보 등) 사이의 단순한 사실 관계만을 표현하고 있으며, 이는 사용자의 선호도를 정확히 파악하는 데 한계가 있다. 본 논문에서는 지식 그래프의 정보 부족 문제를 보완하기 위해 각 상품에 남겨진 텍스트 리뷰를 감정 분석 (sentiment analysis) 하고, 이를 각 노드 간의 선호도 정보로 활용하여 지식 그래프를 구축하는 방법을 제안한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.05a
• /
• pp.310-311
• /
• 2021

추천시스템은 사용자가 아이템들에 남긴 과거 피드백을 바탕으로 사용자가 선호할 법할 아이템을 추천한다. 추천시스템에서 사용자의 선호도는 단일클래스 세팅과 다중클래스 세팅 두 가지로 표현 할 수 있다. 우리는 추천시스템을 위해 제안된 지식증류기법인 Ranking Distillation 을 다중클래스 세팅에서 실험하여, 증류된 지식을 통한 작은 모델 학습이 효과적인지에 대해 알아보고자 한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.05a
• /
• pp.314-315
• /
• 2021

최근 딥러닝 분야에서 모델 학습을 가속화하기 위해, 실수 표현 시 사용하는 비트 수를 줄이는 양자화 연구가 활발히 진행되고 있다. 본 논문은 추천 시스템 모델 중 하나인 행렬 분해 모델(Matrix Factorization, MF)에 대한 양자화 수행 시, 발생할 수 있는 학습 정확도 손실을 방지하기 위한 정밀도 변환 방안을 제시한다. 우리는 실세계 데이터셋을 이용한 실험을 통해, 제안 방안이 적용된 MF 모델은 양자화 기법이 적용되지 않은 모델과 비슷한 추천 정확도를 보이며, 약 30% 개선된 속도로 학습됨을 확인할 수 있었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.464-465
• /
• 2023

대화형 추천 시스템은 대화를 통해 사용자의 현재 선호도를 파악하고 상품을 추천해주는 시스템이다. 대화의 맥락은 변화하기 때문에 대화 중 최근 언급된 엔티티가 사용자의 현재 선호와 더 관련이 있다. 그러나, 기존 방법들은 언급된 엔티티들의 순서를 고려하지 않았기 때문에 사용자의 현재 선호도를 표현하는데 한계가 존재한다. 본 논문에서는, 대화 내 언급된 엔티티들의 순서를 고려하는 아키텍처를 제안하고, 실세계 데이터를 활용해 다음 상품을 예측하는데 엔티티 순서를 고려하는 것이 효과적인지 실험을 통해 보여준다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.466-467
• /
• 2023

다중 목표 대화형 추천 시스템에서 대화의 흐름을 관리하기 위해 사용되는 목표설정을 한다. 본 논문에서는 목표 예측을 위해 기존에 사용되던 입력 프롬프트를 더욱 정교한 형태로 만들어보는 것이 목표 예측 정확도 향상과 더 나아가 응답 생성에도 도움이 되는지 사전 실험을 통해 당위성을 보여준다

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.470-472
• /
• 2023

최근 위치 기반 장소 (POI) 추천 서비스가 많이 사용되면서, 사용자의 이전 방문지들에 대한 체크인 시퀀스를 기반으로 현재 (다음으로) 방문할 법한 POI 를 찾아 사용자에게 추천하는, next POI 추천 시스템에 관한 연구가 활발히 진행되고 있다. 하지만, 기존 연구들의 경우 next POI 추천을 위한 모델 학습 시, 사용자의 네거티브 POIs 에 관한 정교한 샘플링 없이 사용자 선호도를 추론해왔다. 본 연구에서는, 사전 학습된 별도의 사용자 선호도 추론 모델을 통해 사용자의 네거티브 POI로서 쉽게 분류되기 어려운 하드 네거티브 POIs 를 찾고, 이들을 위주로 수행되는 하드 네거티브 샘플링 방법을 새롭게 제안한다. 우리는 실 세계 데이터셋을 이용한 실험을 통해, 제안 방안이 기존 연구들에서 사용되어 온 랜덤 네거티브 샘플링 방법 대비 recall@5 기준, 최대 16.4%까지 추천 정확도를 향상시킬 수 있음을 확인하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.501-503
• /
• 2023

추천 시스템 연구들 중 사용자의 추천 만족도와 플랫폼의 이윤 측면을 함께 고려한 여러 연구들이 제안되어 왔다. 그런데 그동안 플랫폼의 이윤을 고려한 추천 시스템의 경우 방법들 간 분석 및 성능 비교가 되어오지 않았다. 본 논문에서는 먼저 기존 이윤 고려 추천 시스템들의 방법을 분석하고, 실 세계 데이터셋을 이용한 실험을 통해 추천 정확도 및 플랫폼 이윤 측면에서 이들간의 성능을 비교하였다. 그 결과, 추천 정확도와 플랫폼 이윤 간의 상충 관계가 있음을 확인할 수 있었고, 이윤 고려 추천 시스템 방법들이 이윤을 고려하지 않은 일반적인 추천 방법 대비 7~35%의 플랫폼 이윤 향상 효과가 있음을 관찰할 수 있었다.