디지털 라이브러리[ 검색결과 ]
추론 경로를 통한 거대언어모델 기반 제로샷 대화형 추천시스템 성능 개선
http://doi.org/10.5626/JOK.2025.52.7.617
대화형 추천시스템은 사용자와의 양방향 상호작용을 통해 개인화된 항목 추천을 제공한다. 기존 대화형 추천시스템은 사용자의 선호를 효과적으로 포착하기 위해 지식 그래프와 같은 외부 지식에 의존해왔다. 최근 거대언어모델의 급속한 발전으로 제로샷 기반 추천이 가능해졌으나, 사용자의 암시적 선호도 파악과 최적의 추론 경로 설계라는 도전 과제가 존재한다. 본 연구에서는 이러한 한계를 해결하기 위해 제로샷 기반 대화형 추천시스템에서 적합한 추론 경로 구성의 중요성을 검증하고, 이에 기반한 새로운 접근법의 가능성을 탐구한다. 제안된 프레임워크는 (1) 대화 맥락에서 명시적 및 잠재적 선호도를 추출하고, (2) 이를 바탕으로 추론 트리를 구축하여 최적의 추론 경로를 선택하는 두 단계로 구성된다. 대표적인 벤치마크 데이터셋인 INSPIRED와 ReDial에서 제안 방법은 기존 제로샷 방법 대비 Recall@10에서 최대 11.77%의 성능 개선을 달성하였으며, 일부 학습 기반 모델의 성능을 상회한다.
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.
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.
효과적인 개인화 결합 방식 및 BERT를 활용한 리뷰 기반 개인화 추천시스템
http://doi.org/10.5626/JOK.2023.50.8.646
일반적으로 리뷰 텍스트에는 사용자의 주관적인 정보들이 포함되어 있으며 사용자가 작성한 리뷰는 같은 표현이더라도 사용자별로 서로 다른 의미를 가질 수 있다. 이런 리뷰의 특징을 이용하여 데이터 희소에 취약한 협업 필터링의 단점을 보완할 수 있으며 개인화 추천시스템을 위한 정보로도 사용할 수 있다. 하지만 자연어처리 분야에서 사전 학습 언어 모델의 성공에도 불구하고, BERT를 활용하여 리뷰를 통해 개별 사용자 특징을 풍부하게 표현하고자 하는 개인화 추천시스템 연구는 많이 이루어지고 있지 않다. 따라서 본 연구에서는 BERT를 사용하여 리뷰로부터 사용자 및 상품별 특징을 깊이 학습하고, 이를 사용자 및 상품 ID와 긴밀하게 결합함으로써 개인화된 사용자 및 상품 표현을 나타내는 평점 예측 모델을 제안한다. 실험을 통해 아마존 벤치마크 데이터셋에 대해 제안하는 모델이 베이스라인보다 향상된 성능을 얻을 수 있음을 보인다.
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.
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.
순환 신경망을 활용한 코드 변경 추천 시스템의 학습 시간 단축 방법
http://doi.org/10.5626/JOK.2020.47.10.948
개발자에게 수정이 필요한 파일을 추천하는 시스템은 개발자의 작업 시간을 줄여 준다. 그러나 이런 추천 시스템은 일반적으로 축적된 데이터를 학습할 때 많은 시간이 들며, 또한 새로운 데이터가 축적될 때마다 새로이 학습하는데 많은 시간을 소모한다. 본 연구는 순환 신경망을 이용한 코드 변경 추천시스템(RNN-CRS)에 새로운 데이터가 축적되어 학습을 다시 해야 할 때 불필요한 학습을 회피하여 학습에 드는 시간을 줄이는 방법을 제안한다. 제안 방법의 실험 평가에서 제안 방법은 데이터가 새로 축적되어 학습 모델을 다시 생성하는데 소요되는 시간을, 실험에 사용된 다섯 개의 제품들에 대하여 시간 단축이 큰 경우에는 기존 연구에 비해 49.08%~68.15% 단축시켰고 작은 경우에는 10.66% 단축시켰다.
도로 교통망에 대한 사용자의 선호도 변화를 반영한 경로 추천
http://doi.org/10.5626/JOK.2019.46.1.77
위치기반 서비스는 지도 및 주변 정보를 제공하거나 특정 목적지까지 가기 위한 경로를 제공한다. 그 중 경로 추천 시스템은 각 사용자의 경로에 대한 평가 기준에 가장 적합한 경로를 추천하는 시스템이다. 기존의 개인화된 경로 추천 시스템은 시간대의 변화와 관계없이 사용자의 선호도가 일정하다는 가정하에서 추천한다는 단점이 존재한다. 하지만 이는 오전 시간대에는 이동 거리를 중시하고, 오후 시간대에는 위험도를 중시하는 것처럼 시간대마다 중요하게 생각하는 요소가 다른 다양한 사용자의 요구사항을 반영하지 못하는 문제가 존재한다. 본 논문은 해당 문제를 해결하기 위해 먼저 시간 속성을 고려한 다익스트라 기법을 제안한다. 또한 계산 비용을 줄이기 위해 G-tree 인덱스 구조를 사용하여 시간대에 따른 선호 요소 가중치 변화를 반영한 경로를 탐색할 수 있는 효율적인 알고리즘을 제안한다.
