특별세션 III : 추천시스템 최신 기술 동향

  • 홈ˆ
  • 행사안내
  • 특별세션 III : 추천시스템 최신 기술 동향

특별세션 III은 실시간 온라인(ZOOM)을 통해 운영됩니다.
등록자는 온라인컨퍼런스 페이지(추후 공개)를 통해 접속하실 수 있습니다.

▣ 일시 및 장소 : 6.25(금) 09:00~12:00, 온라인

▣ 프로그램

사회 : 김상욱 교수(한양대)

No

프로그램

연사

1

세션 기반 추천 시스템: 최신 연구 동향 및 향후 전망

이종욱 교수(성균관대)

2

추천시스템에서 generative model의 활용: 최신 연구 동향 채동규 교수(한양대)

3

암시적 피드백을 다루는 협업 필터링 기반 최신 추천 기술 동향 김상욱 교수(한양대)
 


이종욱 교수
(성균관대)

세션 기반 추천 시스템: 최신 연구 동향 및 향후 전망


세션 기반 추천 모델은 사용자가 로그인되지 않은 환경에서 사용자에게 추천 목록을 제공하는 추천 시스템의 새로운 방법론으로 부상하고 있다. 기존의 전통적인 추천 모델의 정적 환경의 장기적인 사용자 선호도를 모델링하는 반면에 세션 기반 추천 모델은 동적 환경의 단기적인 사용자 선호도를 포착하는 것을 목표로 한다. 즉, 세션 기반 추천 모델은 주어진 세션에서 사용자가 클릭한 항목의 순서를 기반으로 세션 문맥을 고려하여 시기적절한 항목을 사용자에게 제공한다. 본 강연에서는 비신경망 및 신경망 기반 세션 기반 추천 모델을 소개하고, 최근 연구 결과를 통해 향후 연구 방향에 대해서 논의한다.

 

Bio

*학력
성균관대학교 컴퓨터공학과 학사 (1999년 3월-2006년 2월)
포항공과대학교 컴퓨터공학과 박사 (2006년 3월-2012년 2월)

*경력
포항공과대학교 컴퓨터공학과 박사 후 연구원(2012년 3월-2012년 11월)
Pennsylvania State University, 박사 후 연구원(2012년 12월-2014년 8월)
한국외국어대학교, 컴퓨터공학과 조교수(2014년 9월-2016년 8월)
성균관대학교 소프트웨어학과 조교수(2016년 9월-2020년 8월)
성균관대학교 소프트웨어학과 부교수(2020년 9월-현재)

*연구분야
추천시스템, 정보검색, 데이터마이닝, 자연어처리, 기계학습

*연구실적
국제 학술지 16편 및 국제 학술대회 26 편 게재(WWW, SIGIR, ICDM, ICDE, CIKM, CVPR, NAACL, VLDB, KDD, EDBT 포함)

채동규 교수
(한양대)

추천시스템에서 generative model의 활용: 최신 연구 동향


본 강의는 최근 여러 분야에서 성공적인 결과를 보이고 있는 생성 모델인 GAN (generative adversarial nets) 을 활용한 추천시스템의 최신 연구들에 대해서 소개한다. 먼저 추천시스템에서의 GAN framework는 어떻게 정의되고, 어떻게 학습되어 추천을 수행할 수 있는지 간략히 소개한다. 그 후 추천시스템의 근본적인 문제들인 data sparsity problem, cold start problem 등에 대해서 다룬 후, GAN 등의 generative model을 이용해서 위 문제들을 해결하며 추천정확도를 향상시킨 최근의 연구 결과들을 소개한다.

Bio

*학력
한양대학교 컴퓨터소프트웨어학과 박사 (2012-2019)
한양대학교 컴퓨터전공 학사 (2008-2012)r>
*경력
한양대학교 컴퓨터소프트웨어학부 조교수 (2020-현재)
Georgia Tech, 박사 후 연구원 (2019-2020)

*연구분야
딥러닝, 추천시스템, 설명가능한 인공지능, AI응용

*연구실적
국제 학술지 12편 및 국제 학술대회 16 편 게재 (CIKM, SIGIR, WWW, Information Sciences 등 포함)

김상욱 교수
(한양대)

암시적 피드백을 다루는 협업 필터링 기반 최신 추천 기술 동향


추천 시스템에서 활용되는 사용자의 피드백 정보는 크게 명시적 피드백 (explicit feedback) 과 암시적 피드백 (implicit feedback) 으로 구분될 수 있다. 명시적 피드백은 각 사용자가 각 상품에 대한 구체적인 선호 정도 (예: 1에서 5점 사이의 평점) 를 직접 나타내는 다중-클래스의 피드백을 의미하는 반면, 암시적 피드백은 각 상품에 대한 각 사용자의 행동 유무 (예: 구매, 장바구니, 클릭) 만을 포함하는 단일-클래스의 피드백을 의미한다. 명시적 피드백은 사용자의 상품에 대한 구체적인 선호도를 파악하는데 유리하지만, 사용자들에게 평점 기입이라는 추가적인 행동을 요구하므로 이를 요구하지 않는 암시적 피드백의 사용이 실용적인 측면에서 유리하다. 암시적 피드백만을 활용하는 협업 필터링 기술을 단일-클래스 협업 필터링 (One Class Collaborative Filtering, 이하 OCCF) 기반 기술이라고 부른다. OCCF 기반 방법들의 주요 과제는 암시적 피드백만으로 사용자들의 구체적인 선호도를 추론해 내고, 추론된 사용자 선호도를 바탕으로 추천 서비스를 제공하는 것이다. 본 강연에서는 OCCF 기반 방법들을 사용자들의 암시적 피드백을 학습하는 방식에 따라 point-wise 학습 방식과 pair-wise 학습 방식으로 구분하고, 각 방식에 속하는 최신의 OCCF 기반 방법들을 소개한다. 또한, 실세계 데이터 셋들을 이용한 다양한 실험을 통해 OCCF 기반 방법들의 추천 정확도를 비교한 결과를 소개한다.

 

Bio

*학력
서울대학교 컴퓨터공학과 학사 (1985-1989)
KAIST 전산학과 석사 (1989-1991)
KAIST 전산학과 석사 (1991-1994)

*경력
한양대학교 컴퓨터소프트웨어학부 교수/연구석학교수 (2003-현재)
NHN(주) 사외이사 (2018-현재)
한국공학한림원 일반회원/정회원 (2019-현재)
Carnegie Mellon University, Visiting Scholar (2009-2010)
IBM T.J. Watson Research Center, Post-Doc. (1999-2000)

*연구분야
데이터 베이스, 데이터 사이언스, 추천 시스템, 소셜 네트워크

*연구실적
AAAI, SIGIR, WWW, ICDE, CIKM 등에 논문 다수 게재
국가연구개발성과 유공자 대통령상 수상 (2017)
국토해양부장관상 수상 (2008)

※ 상기 일정은 사정에 따라 변경될 수 있습니다.

서울시 서초구 방배로 76 (방배동, 머리재빌딩 401호) 우)06704 | (Tel)1588-2728 | (Fax)02-521-1352 | 사업자등록번호 : 114-82-03170 | 대표 : 나연묵

Copyright (c) KIISE. All rights reserved.