[연구의 필요성]
추천 시스템은 사용자의 과거 행동과 아이템의 특성을 기반으로 맞춤형 추천을 제공한다. 그러나 추천시스템이 정확성에만 초점을 맞추면 인기 있는 아이템이나 카테고리에 치우쳐 필터 버블 현상을 초래한다. 이는 장기적으로 사용자 만족도를 저하시키고 아이템의 다양성을 감소시키기 때문에, 다양성을 제어하는 것은 필수적이다.

[포스텍이 가진 고유의 기술]
기존 연구들은 모델 학습시에 추천되는 다양성의 강도가 결정되거나, 추론시에 주어진 다양성의 강도에 맞게 최적화 문제를 풀어야했음. 본 연구팀은 Diffusion Model을 활용하여, 추론(Inference) 단계에서 사용자의 일시적인 선호도나 비즈니스 전략에 따라 다양성을 조절할 수 있는 유연한 방법론을 개발함.

[연구의 의미]
이 연구는 추천 시스템에서 다양성 제어의 새로운 패러다임을 제시하였음. 특히, 추론 단계에서 사용자의 일시적인 선호도나 비즈니스 전략에 따라 다양성을 조절할 수 있는 유연성을 제공함으로써, 필터 버블 문제를 완화하고 사용자 만족도를 향상시킬 수 있음.

[연구결과의 진행 상태 및 향후 계획]
현재 KDD’25에 게재승인(Accept)된 상태이며, 올해 8월에 학회에서 발표할 예정임.

[성과와 관련된 실적]
ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’25)에 채택됨. 데이터마이닝 분야에서 가장 권위있는 학회로, BK 최우수 국제학술대회이며 Google scholar가준 Data Mining 분야 전체 1위임.

[성과와 관련된 이미지]