[연구의 필요성]
추천시스템 연구들은 딥러닝 모델을 이용하여 유저-아이템간의 랭킹 스코어를 학습하고, 랭킹 스코어가 높은 K개의 아이템을 추천하는 Top-K Recommendation 방식을 사용해왔다. 하지만, 유저 효용성을 고려하지 않고 고정된 크기의 추천을 제공하는 것은 관련 없는 항목을 포함하거나 관련 항목에 대한 노출을 제한할 수 있으므로 최적의 방법이 아니다.

[포스텍이 가진 고유의 기술]
본 연구에서는 유저별 효용성(utility)를 고려하여 추천되는 아이템의 개수를 조절하는 Top-Personalized-K Recommendation을 제안한다. 이러한 방식을 위해서, 유저-아이템에 대한 보정된 신뢰도(calibrated confidence)를 추정하고, 기대 유저 효용 (expected user utility)를 계산한다.

[연구의 의미]
본 연구는 시스템의 추천 결과에 대한 기대 유저 효용을 계산하고, 그 기댓값을 최대화하는 추천 개수를 선택하는 방식을 처음 제안한 연구로, 그 의미와 적용성이 큰 연구이다.

[연구결과의 진행 상태 및 향후 계획]
본 연구는 데이터마이닝 분야 최우수 국제학술대회인 ACM The Web Conference (WWW 2024)에 발표될 예정이다. 추후 본 연구의 결과물을 sponsored advertisement, multi-domain recommendation 등에 적용하는 연구를 진행할 예정이다.

[성과와 관련된 실적]
Wonbin Kweon, Hwanjo Yu, “Top-Personalized-K Recommendation”, ACM The Web Conference (WWW), 2024.

[성과와 관련된 이미지]