[연구내용요약]
기존의 추천시스템은 유저에게 보여주는 아이템의 순서를 학습하는 것을 목표로 발전되어 왔으며, 미래에 유저가 소비할 아이템을 높은 순위로 추천을 하였는지를 평가해왔다. 본 논문에서는 여기서 나아가 사용자가 각 아이템을 소비할 확률까지 예측하기 위한 방법론을 개발하였다. 예를 들어, 유튜브가 제일 처음 보여주는 영상을 유저가 좋아할 확률은 유저별로 모두 다를 것이고, 우리는 그 영상을 보기 전까지는 우리가 얼마나 그 영상을 좋아하게 될지 알 수 없다. 유저가 아이템을 좋아할 확률을 예측할 수 있다면, 추천시스템은 확률이 낮은 아이템을 유저에게 보여주지 않는 판단을 내릴 수 있고, 나아가 유저의 예상 만족도를 얻을 수 있으며, 광고 비용을 효율적으로 사용할 수 있다.
이때, 예측된 확률이 실제 분포를 정확하게 반영할 수 있도록 model calibration을 진행해야 하며, 이를 위해서 본 연구에서는 Gamma calibration과 Gaussian calibration을 제안하였다. 두 calibration 모델은 기존 image classification에 사용되던 모델과는 다르게, 추천시스템 데이터셋에 적합하게 설계되어 class distribution의 imbalance와 skewness를 고려할 수 있다는 장점이 있다. 또한, 제안한 calibration 모델을 unbiased 하게 학습하기 위한 unbiased empirical risk minimization을 제안하여 성능을 향상시켰다.

[연구와관련된이미지]

기존의 추천시스템은 user-item pair마다 ranking score s를 학습하고, 내림차순 정렬하여 아이템을 추천해옴. 본 연구에서는 이 ranking score s를 이용하여, 유저가 아이템을 소비할 확률 를 예측함.

[연구실적]
‘랭킹 순서’가 아닌 ‘확률’을 예측하는 연구는 추천시스템 분야에서 처음 시도된 것이고, 이를 인정받아 최우수 국제 학술대회 AAAI 2022에서 Oral presentation을 진행하였음.