디지털 라이브러리[ 검색결과 ]
모델 병합을 활용한 거대 언어 모델 기반 다중 도메인 추천 시스템
http://doi.org/10.5626/JOK.2025.52.6.548
최근 추천 시스템 연구에서는 사전 학습된 거대 언어 모델을 활용하여 추천 항목의 자연어 정보를 효과적으로 이해하는 거대 언어 모델 기반 추천 시스템이 주목받고 있다. 이러한 추천 시스템은 높은 정확도를 보이지만, 각 추천 도메인마다 별개의 추천 모델을 학습해야 하는 한계가 있다. 이는 여러 개의 모델을 저장하고 추론하는 비용을 증가시키며, 도메인 간 지식 공유를 어렵게 만든다. 본 연구에서는 다양한 추천 도메인에서 효과적으로 작동할 수 있는 거대 언어 모델 기반 추천 모델을 제안하기 위해, 과업 벡터(task vector) 기반 모델 병합(model merging)을 적용한다. 모델 병합 과정에서는 도메인 별로 학습된 추천 모델로부터 지식 증류(knowledge distillation)를 활용하여 모델 병합을 위한 최적의 가중치를 학습한다. 실험 결과, 제안 방법을 통해 생성한 추천 모델은 8개의 도메인에서 기존의 모델 병합 방법론을 활용한 추천 모델보다 평균 2.75% 개선된 추천 정확도를 보였으며, 학습하지 않은 새로운 도메인에서도 우수한 일반화 성능을 보임을 확인하였다.
최근접 이웃 메커니즘을 활용한 텍스트 기반 순차적 추천 모델 추론 프레임워크
http://doi.org/10.5626/JOK.2025.52.5.435
순차적 추천 과업은 사용자의 상호작용 기록을 기반으로 다음에 상호작용할 항목을 예측하는 과업이다. 텍스트로 항목을 표현하는 텍스트 기반 추천 모델은 콜드 스타트(cold-start) 문제와 제로 샷(zero-shot) 추천 과업에서 우수한 성능을 보이지만, 협력적 지식 부족과 텍스트 편향이라는 한계를 가진다. 본 연구는 이러한 한계를 극복하고자 최근접 이웃 메커니즘을 활용한 텍스트 기반 추천 모델 추론 프레임워크를 제안한다. 제안 방법은 텍스트 기반 추천 모델을 이웃 검색 모델로 활용하여 사용자와 유사한 선호를 가진 이웃을 검색하고, 이웃 정보를 기존 추천 결과와 결합하여 추천 성능을 향상한다. 4개의 데이터셋에서 수행된 실험 결과, 제안된 방법은 기존 모델 대비 일관된 성능 향상을 보여주었으며, NDCG@50 기준 최대 25.27%의 성능 개선을 기록했다. 또한, 제안 방법은 협력적 지식을 효과적으로 보완하고 추천 근거를 제공함으로써 모델의 설명 가능성을 향상함을 보였다.
POI 추천을 위한 지리 적응형 어텐션 모델
http://doi.org/10.5626/JOK.2025.52.3.217
POI 추천에 있어서 POI의 위치로 인한 지리적 영향력은 중요한 요소로 작용한다. 그에 따라 POI 추천에 관한 연구들은 거리나 위치 등과 같은 지리적 정보를 활용하여 POI 고유의 지리적 영향력을 정의하고 이를 추출하여 개인화된 추천에 반영하기 위한 연구가 주를 이룬다. 지리적 영향력을 나타내기 위한 연구는 크게 사용자와 POI사이 거리를 기반으로 선호도를 나타내는 거리 기반 영향력과 지역에 위치한 POI들의 특징을 기반으로 지역에 대한 선호도를 나타내는 지역 기반 영향력으로 나누어진다. 이전 연구들에서는 거리 기반 영향력에 초점을 맞추고 있기 때문에 지역에 대한 영향력를 활용하지 못한다. 이에 본 논문에서는 POI들의 거리 기반 영향력뿐만 아니라 POI가 위치한 지역 기반 영향력을 고려하여, 사용자가 방문한 POI들 각각이 사용자의 특징에 미치는 영향력을 적응적으로 포착할 수 있는 어텐션(Attention) 네트워크 기반 POI 추천 모델을 제안한다. 이 모델은 사용자 방문 데이터에서 특정 지역의 특성과 사용자의 POI 선호도를 학습하여, 개인화된 추천을 더욱 정확하게 제공한다. 실제 데이터셋 실험 결과, 제안된 방법이 기존 모델에 비해 Prec@10, Recall@10, HR@10 지표에서 각각 약 6∼12%, 8∼10%, 6∼7%의 성능 향상을 이루었다.
SASRec vs. BERT4Rec: 트랜스포머 기반 순차적 추천 모델의 성능 분석
http://doi.org/10.5626/JOK.2024.51.4.352
순차적 추천 시스템은 사용자 로그로부터 관심사를 추출하고 이를 바탕으로 사용자가 다음에 선호할만한 항목을 추천한다. SASRec과 BERT4Rec은 대표적인 순차적 추천 모델로 널리 활용되고 있다. 기존 연구들은 두 모델을 베이스라인으로 다양한 연구에 활용하고 있지만, 두 모델은 실험 환경 차이로 인해 일관된 성능을 보이지 않는다. 본 논문에서는 여덟 가지 대표적 순차적 추천 데이터셋에서 SASRec과 BERT4Rec의 성능을 비교 및 분석하여 검증한다. 이를 통해, 사용자-항목 상호작용 수가 BERT4Rec 학습에 가장 큰 영향을 미치며, 결국 이는 두 모델의 성능 차이로 이어진다는 사실을 관찰하였다. 더 나아가, 본 연구는 순차적 추천 환경에서 널리 활용되는 두 학습 방법 역시 인기도 편향과 시퀀스 길이에 따라 다른 효과를 보일 수 있음을 보인다. 이를 통해, 데이터셋 특성을 고려하는 것이 추천 성능 개선을 위해 필수적임을 강조한다.
Tensor-Train Decomposition을 적용한 임베딩 레이어를 위한 연산 최적화 기법
http://doi.org/10.5626/JOK.2023.50.9.729
개인 맞춤형 추천 시스템은 일상에 녹아 들어있다. 하지만 딥 러닝 기반 추천 시스템 모델에서 임베딩 레이어는 과거 유저가 상호 작용하는 아이템 수가 늘어남에 따라, 임베딩 테이블의 메모리 사용량이 늘어 산업용 AI 데이터 센터의 리소스 대부분을 차지하고 있다. 이 문제를 극복하기 위한 해결책 중 하나는 심층 신경망에서 유망한 압축 기법인 Tensor-Train (TT) 분해이다. 본 연구에서는 TT-분해 기법이 적용된 임베딩 레이어의 연산인 Tensor-Train Gather and Reduce (TT-GnR)에서 발생하는 불필요한 연산에 관해 분석하고 이를 해결하기 위해 아이템 벡터들을 하나로 묶는 연산 단위인 그룹을 정의하고 그룹 단위로 연산하여 불필요한 연산을 줄이는 Group Reduced TT-Gather and Reduce (GRT-GnR) 연산을 제안한다. 실험을 통해 기존 TT-GnR 연산에 비해 latency가 41% 감소한다.
날씨 특성을 고려한 그래프 임베딩 기반 관심 장소 추천
http://doi.org/10.5626/JOK.2022.49.3.221
관심 장소 추천은 위치 기반 서비스들이 빠르게 증가하면서 사용자들에게 그들의 위치와 관련된 적절한 정보를 제공하고자 활발히 연구되고 있는 분야이다. 최근 TransRec과 같이 그래프 임베딩을 사용한 번역 기반 추천 시스템이 큰 관심을 받고 있다. 본 논문은 TransRec이 사용자와 장소 사이의 복잡한 관계를 표현하기 어렵고, 관계 임베딩이 날씨 특성을 고려하지 않고 고정되어 있다는 단점을 발견하였다. TransRec의 단점을 극복하고자, 날씨를 고려한 그래프 임베딩 기반 관심 장소 추천 기법 WAPTRec을 제안한다. WAPTRec은 범주 투영 행렬과 어텐션 메커니즘을 사용하여 동일한 장소 임베딩을 사용자마다 다르게 표현할 수 있다. 또한, 사용자의 과거 이동 기록과 장소의 범주, 그리고 날씨 특성을 활용하여 더 높은 추천 정확도를 제공한다. 공개 데이터 셋을 이용한 실험을 통해 WAPTRec이 기존의 번역 기반 추천 방법들보다 뛰어남을 보인다.
개인 선호도 반영 임베딩을 활용한 순환신경망 추천 모델의 성능 향상 기법
http://doi.org/10.5626/JOK.2021.48.11.1211
플랫폼에서 제공하는 콘텐츠 양이 급증하면서 추천 시스템은 플랫폼에서 필수적 요소가 되었다. 추천 시스템 가운데 협업 필터링 기법은 학계나 산업계에서 널리 활용되지만, 평점, 구매 이력 등 소비자의 정량적 정보에 의존한다는 한계가 있다. 이를 극복하고자 리뷰 데이터 등의 정성적 정보를 모델에 학습시켜 성능을 향상하는 연구들이 시도되어 왔다. 또한 최근에 순환 신경망을 적용하는 연구들은 소비자의 시계열 행동 데이터만으로 기존 추천시스템보다 좋은 성능을 보여주었다. 그러나 고객별 선호도를 추천 모델에 반영하는 연구는 아직 이루어지지 않았다. 본 논문은 고객의 로그 데이터를 기반으로 선호도 행렬을 산출하고, 이를 임베딩 벡터를 통해 순환 신경망에 학습시켜 개선된 추천 모델을 제시하였다. 이 모델은 기존 순환 신경망 모델에 비해 예측 성능이 향상됨을 확인할 수 있었다.
콜드 스타트 문제 완화를 위한 가중치 기반 다중 도메인 추천 시스템
http://doi.org/10.5626/JOK.2021.48.10.1090
추천 시스템은 사용자의 기록과 항목 선호도를 기반으로 해당 사용자가 선호할 것으로 예측되는 항목을 추천한다. 추천 시스템에는 기존 사용자의 정보를 기반으로 비슷한 성향의 사용자 평점을 예측하는 협업 필터링 방식이 있다. 사용자의 성향을 알기 위해 구매 이력과 같은 정보가 필요한데 이 정보가 없을 때 예측이 어려워지는데 이를 콜드 스타트 문제(cold-start problem)라 한다. 본 논문에서는 특정 도메인에 아무 정보가 없는 초기 사용자를 위해 사용자가 다른 도메인에 남긴 평점 정보를 기반으로 새로운 도메인의 평점 정보를 예측하는 다중 도메인 추천 시스템을 제안한다. 이때, 여러 보조 도메인으로 예측한 평점 정보의 신뢰도를 극대화하기 위해 각 보조 도메인의 가중치를 계산하는 방법을 제안하고 실험을 통해 성능을 검증한다. 그 결과, 전통적인 추천 알고리즘을 다중 도메인에 단순 적용했을 때보다 가중치 기반 추천 알고리즘을 활용했을 때 더 나은 추천 성능을 보이는 것을 확인한다.
신경망 및 비신경망 오토인코더 기반 추천 모델의 성능 비교 및 분석
http://doi.org/10.5626/JOK.2020.47.11.1078
다양한 분야에 심층 신경망이 도입되어 획기적인 성능 개선을 보이고 있으나, 최근 심층 신경 망 기반 추천 모델의 성능 개선이 크게 보이지 않는다는 주장이 나오고 있다. 이와 같은 문제는 추천 연구에 통용되는 실험 환경의 부재와 제안 모델 성능에 대한 엄밀한 분석 부재에 기인한다. 본 논문에서는 1) 추천 모델의 공정한 비교를 위한 실험 프로토콜을 구성하고, 2) 추천 모델의 한 축인 오토인코더 기반추천 모델에 대해서 실험적 검증을 수행하며, 3) 사용자와 항목 인기도를 기준으로 여러 개의 세부 그룹으로 나누어 실험 결과를 분석한다. 실험 결과, 모든 데이터셋에서 신경망 기반 모델의 추천 성능이 비신경망 대비 일관적인 성능 개선을 보이지 않았으며, 신경망 모델 내에서도 주된 정확도 개선을 확인할 수 없었다. 한편, 세부 그룹별 성능 평가 결과에서는 인기 항목에선 비신경망 모델의, 비인기 항목에선 신경망 모델의 정확도가 높음이 확인하였고, 이를 통해 신경망 모델의 복잡성이 비인기 항목에 대한 추천에 도움이 될 수 있다고 판단된다.
온라인 방송에서 시청자 반응 및 의도 기반의 실시간 광고 서비스를 위한 데이터 모델링 기법
http://doi.org/10.5626/JOK.2020.47.11.1086
기존의 광고 서비스와 사용자의 인터랙션은 제한적이다. 개인화된 광고 서비스를 제공하기 위해, 광고 시스템은 사용자의 프로파일 및 사용자-컨텐츠 관계에 기초하여 사용자의 선호도를 예측해야 한다. 사용자의 선호도를 예측하기 위한 방법으로 추천 기법에 대한 많은 연구가 진행되어 왔다. 그러나, 기존의 추천 시스템은 계산 복잡도가 높은 매트릭스를 연산을 수행하기 때문에 실시간 선호도 예측을 보장하기 어렵다. 본 논문에서는 미디어 컨텐츠 시청자의 반응 및 의도 기반의 실시간 광고 서비스를 위한 데이터 모델링 기법을 제안한다. 사용자 선호도를 실시간으로 예측하기 위해 사용자 히스토리 데이터는 트리구조로 구성된다. 트리 구조는 데이터 탐색 및 비교를 로그 시간 복잡도 이내에 수행 가능하다. 추천의 정확도를 향상시키기 위하여 사용자의 긍정적인 평가와 부정적인 평가를 모두 고려한 추천 알고리즘을 제안한다. 마지막으로, 실제 데이터를 통해 제안하는 추천 기법의 성능을 다양한 방법을 통해 평가한다.
