초록 ▼

□ 연구개발 목표 및 내용
￭ 최종 목표
설명 가능한 추천 시스템 연구 개발은 오늘날 학계와 산업계 모두에서 매우 중요한 의미를 갖는다. 설명 가능한 추천 시스템은 상품 추천 결과의 신뢰도를 높임으로써 추천을 받은 사용자가 해당 상품을 실제로 구매하는데 큰 역할을 하며, 이는 매출 증가 및 수익 창출의 효과로 이어질 뿐만 아니라 고객 의충성도를 높일 수 있는 장점도 있다. 또한 최근 설명 가능한 인공지능이 전 세계적으로 매우 중요 한 연구 주제로 떠오르고 있는 가운데, 제안하는 설명 가능한 추천 시스템 또한 설명 가능한

□ 연구개발 목표 및 내용
￭ 최종 목표
설명 가능한 추천 시스템 연구 개발은 오늘날 학계와 산업계 모두에서 매우 중요한 의미를 갖는다. 설명 가능한 추천 시스템은 상품 추천 결과의 신뢰도를 높임으로써 추천을 받은 사용자가 해당 상품을 실제로 구매하는데 큰 역할을 하며, 이는 매출 증가 및 수익 창출의 효과로 이어질 뿐만 아니라 고객 의충성도를 높일 수 있는 장점도 있다. 또한 최근 설명 가능한 인공지능이 전 세계적으로 매우 중요 한 연구 주제로 떠오르고 있는 가운데, 제안하는 설명 가능한 추천 시스템 또한 설명 가능한 인공지능 의 일환으로써 매우 중요하고 미래 가치가 높은 기술이라고 할 수 있다. 그러나 본 연구 제안 시점에서 설명 가능한 추천 시스템에 대한 연구는 국내에서는 거의 이루어지지 않고 있다. 국외에서는 이와 관련된 연구들이 간간히 진행되었으나, 그 결과는 아직 초보적인 단계에 머물러 있다.
본 과제를 통해, 연구팀은 다양한 형태의 사용자 및 상품 데이터와 다양한 머신러닝/빅데이터 분석 기술들을 융합 하여 (1) 높은 정확도를 제공하는 추천 모델들을 개발하고, (2) 이 추천 모델들이 여러 데이터를 근거로 추천의 이유를 설명할 수 있는 기술을 개발하였다. 이를 위해, 연구팀은 다양한 형태의 데이터(상품 평점, 상품 내용, 리뷰 데이터)와 다양한 빅데이터 분석 기술들(딥 러닝 기반 추천 기술, 그래프 기반 강화학습 기술)을 융합하여 다음과 같은 연구들을 수행함으로써, 새로운 기술 및 지식의 가치를 창출 하였다.
(1) 사용자-상품 평점 행렬 기반의 설명 가능한 추천 시스템 개발
- 무관심 상품 도출
- 사용자-상품 그래프 도출 및 그래프 기반 설명가능한 추천모델 개발
(2) 사용자 및 상품 컨텐츠를 융합한 설명 가능한 추천 시스템 개발
- 사용자-상품-컨텐츠 융합 그래프 모델링 기술
- 딥 러닝 기반 강화학습 기술
￭ 전체 내용
< 1차년도 >: 사용자-상품 평점 행렬 기반의 설명 가능한 추천 시스템 개발
- 세부 기술
1. 사용자-상품 평점 행렬로부터 각 사용자의 무관심 상품을 도출하는 기술: 추천의 정확도를 높일 뿐만 아니라 더 설득력 있는 설명을 생성하기 위한 핵심 기술로써, 평점 행렬에 matrix factorization 과 같은 선형 잠재 요인(linear latent factor)모델 혹은 Autoencoder와 같은 비선형 잠재 요인 (non -linear latent factor) 모델을 적용하여, 사용자별 각 상품에 대한 무관심 정도를 예측하는 기술
2. 사용자들의 관심 상품 및 무관심 상품들을 네트워크로 모델링하는 기술: 네트워크의 구조적 특징 을 활용하기 위해서, 도출된 무관심 상품과 기존 관심 상품을 함께 네트워크의 형태로 모델링하는 기술
3. 네트워크 분석 기반의 설명 가능한 추천 시스템 개발: 사용자와 상품 간의 관심•무관심 관계로 형 성된 네트워크에 Graph Convolutional Neural Network (GCNN) 혹은 Graph Embedding 과 같은 최신의 인공지능 기반의 그래프 분석 기술을 적용하여 사용자의 선호 상품을 발견하여 추천 리스트를 만들 뿐만 아니라, Attention 모듈을 이용해서 각 상품을 추천하게 된 이유를 생성할 수 있는 기술
< 2차년도 >: 사용자 및 상품 컨텐츠를 융합한 설명 가능한 추천 시스템 개발
- 세부 기술
1. 사용자 및 상품 컨텐츠와 사용자-상품 평점 행렬을 위한 통합 분석 모델 개발: 성별, 나이, SNS정 보, 리뷰 정보 등 사용자 컨텐츠와, 이미지, 카테고리, 제조사 및 가격 등 상품의 컨텐츠를 평점 정보 와 함께 학습할 수 있는 인공신경망 기반의 모델 개발
2. 각 사용자의 관심 상품 및 관심 컨텐츠, 무관심 상품 및 무관심 컨텐츠를 도출하는 기술: 사용자-컨텐츠 행렬을 구축하고, 여기에 matrix factorization이나 Autoencoder 등으로 관심 및 무관심 컨텐츠를 도출하는 기술
3. 관심 상품과 컨텐츠, 무관심 상품과 컨텐츠를 융합한 설명 가능한 추천 시스템 개발: 1차년도에서 개발된 설명 가능한 추천시스템에 2차년도에서 개발한 통합 데이터분석 모델 및 무관심 상품과 컨텐츠를 이용해서 더 정확한 추천을 수행할 뿐 아니라 더 설득력있고 직관적인 설명을 생성할 수 있는 기술

□ 연구개발성과
본 과제 연구팀은 위의 연구 결과들을 총 3편의 학술대회에 발표하였으며, 추가로 1편의 논문을 컴퓨터분야 최우수 국제학술대회 (ACM CIKM 2021, BK impact factor 3) 에 제출하여 심사를 받고 있다. 이미 발표한 3편 중 1편의 논문 또한 컴퓨터분야 우수 국제학술대회인 DASFAA 2020 (BK impact factor 1) 에서 발표되었다.

□ 연구개발성과 활용계획 및 기대 효과
본 연구과제를 통해 개발된 핵심 기술들은 추천 시스템의 정확도와 사용자 만족도를 크게 향상시킬 뿐만 아니라, 머신러닝/인공지능 기반 예측의 이유에 대해서 설명이 필요한 다른 분야에도 폭넓게 적용될 수 있을 것으로 기대한다. 특히 전 세계적으로 전자 상거래 시장의 규모는 매년 큰 폭으로 증대되고 있으며, 대부분의 전자 상거래 사이트는 고객 맞춤형 추천 시스템을 제공하고 있다. 추천 시스템이 구매 실적의 많은 비중을 차지한다는 것은 널리 알려진 사실이다. 만약 추천 시스템이 고객에게 어떤 상품을 추천하고, 추천한 이유까지 그럴 듯 하게 설명할 수 있다면, 고객은 그 추천 결과를 더 신뢰하게 되고 구매까지 이르게 될 가능성이 높다. 따라서 산업계 전반적으로 매출 증가 및 수익 창출을 기대할 수 있다. 또한 전자 상거래 뿐만 아니라 뉴스 플랫폼과 SNS 등 다양한 산업 분야에 설명 가능한 추천 시스템 기술을 적용함으로써, 산업의 부가가치를 향상시킬 수 있으며, 더 나아가 국가의 산업 경쟁력을 높일 수 있다.

(출처 : 요약문 2p)

목차 Contents

• 표지 ... 1
• 요약문 ... 2
• 목차 ... 5
• 1. 연구개발과제의 개요 ... 5
• 1) 연구개발의 필요성 ... 5
• 2) 연구 목표 ... 5
• 3) 연구범위 ... 5
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 7
• 3. 연구개발과제의 수행 결과 및 목표 달성 정도 ... 10
• 1) 연구수행 결과 ... 10
• 2) 목표 달성 수준 ... 11
• 4. 연구개발성과의 관련 분야에 대한 기여 정도 ... 11
• 5. 연구개발성과 및 활용 계획 ... 12
• 1) 연구성과 ... 12
• 2) 연구성과 활용계획 ... 12
• 6. 참고문헌 ... 12
• 끝페이지 ... 12