초록 ▼

□ 연구개요
전자상거래의 대중화, 그로부터 생산되는 그림자 데이터들 (shadow data), 이를 적극 활용한 Amazon 의 독자적인 추천 시스템 A9을 기점으로 빅 데이터, 딥 러닝과 결부된 추천 시스템은 IT B2C 생태계의 필수로 자리 잡았다고 해도 과언이 아니다. 서비스 관점에서 구축되는 추천 시스템의 성능은 얼마나 효율적인 추천 알고리즘을 적용하여 심층적으로 설계되었는가에 좌우된다고도 볼 수 있다. 특히, 추천 시스템의 초개인화 (Hyper-Personalization)는 세계적인 추세로 1~2년 전부터 구글, 아

□ 연구개요
전자상거래의 대중화, 그로부터 생산되는 그림자 데이터들 (shadow data), 이를 적극 활용한 Amazon 의 독자적인 추천 시스템 A9을 기점으로 빅 데이터, 딥 러닝과 결부된 추천 시스템은 IT B2C 생태계의 필수로 자리 잡았다고 해도 과언이 아니다. 서비스 관점에서 구축되는 추천 시스템의 성능은 얼마나 효율적인 추천 알고리즘을 적용하여 심층적으로 설계되었는가에 좌우된다고도 볼 수 있다. 특히, 추천 시스템의 초개인화 (Hyper-Personalization)는 세계적인 추세로 1~2년 전부터 구글, 아마존, 알리바바 등의 데이터 플랫폼 강자들이 경쟁적으로 딥 러닝 기반의 알고리즘을 개발, 자신들의 추천 서비스에 적용하고 있다. 그러나, 여전히 해결되지 못하고 있는 문제와 장애 요소가 존재하며 기업들은 비즈니스의 한계와 요구 사항에 따라 가장 적합한 추천 알고리즘들을 선택한다. 본 연구는 여러 문제들 중 사용자 또는 서비스 정보가 부족하여 발생하는 Cold -start 문제, 추천할 서비스와 사용자는 지속적으로 늘어나지만 실제로 사용자가 소비하게 되는 서비스의 비율은 현저하게 감소하는 데이터 희소성 문제 (Sparsity Problem), 그리고 갈수록 고도화되는 추천 시스템으로 인해 사용자에게 맞는 정보만 제공되고 나머지는 감춰지는 편향성 위험을 야기하는 필터버블 (Filter Bubble) 문제에 대한 솔루션을 알고리즘 관점에서 연구하고자 한다. 이를 위해 머신러닝 비지도학습 방식을 적용하여 온라인 데이터뿐만 아니라 실시간으로 변화하는 소비자의 실제 생활 패턴 및 취향 정보를 바탕으로 상항과 타이밍에 최적의 소비 가이드를 할 수 있는, 변화하는 소비자의 니즈를 예측 하는 초개인화 큐레이션 서비스를 위한 추천 시스템 고도화 연구를 수행하고자 한다.

□ 연구 목표대비 연구결과
1차년: 지도학습 및 비지도학습 추천 시스템 비교 분석 연구
- 큐레이션 프로그램과 콘텐츠 기반 필터링 및 협업 필터링 추천시스템 중점 분석
- 클러스터링 알고리즘과 요인분석 알고리즘 차이점과 응용분야 분석
- 추천시스템 적용 딥러닝 접근기법 - MLP, AE, CNNs, RNNs, RBM, NA, DRL - 의 특징 분석
- MovieLes 영화 평점 데이터 샘플을 활용한 메타데이터 추출의 비지도학습 딥러닝 적용의 필요성 연구
2차년: 다중원천 이종 디지털 섀도우에 심층강화학습을 적용한 동적 사용자 프로파일링 구성 연구
- 초개인화 추천서비스를 위한 메타데이터 추출에서 비지도학습 딥러닝 적용 중요성 분석
- 메타데이터에 따른 추천시스템 정확도 비교분석
- 어휘 처리 LSTM 언어 모델을 훈련하여 고차원 단어 벡터를 2차원 평면 도시화하여 어휘간의 상대적 거리 및 유사도 직관 분석
- 온라인 쇼핑몰 데이터를 사용하여 추천 결과의 다양성 지표 증대 방식 비교 분석
3차년: 초개인화 큐레이션 서비스를 위한 디지털 섀도우 활용 고도화 추천 모델 연구
- 특징 기반 디지털 섀도우 활용의 대표 사례인 부동산 중개 플랫폼 추천 알고리즘 분석 및 사회간접자본 시설 특성과 결부한 특성 요인 분석 및 가격 예측 머신러닝 모델별 성능평가
- 비지도학습에 기반한 사용자 프로파일링 구성을 위한 주관적 리뷰 데이터인 한국어 처리를 위해 LSTM 모델 활용하여 주관적 의미를 객관적으로 검증

□ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
- 사용자의 구매 성향과 행동 패턴을 실시간으로 반영하는 정교한 추천 알고리즘에 대한 연구로 이는 사용자 경험의 개인화를 한층 더 강화하고, 사용자 만족도를 향상시키는 데 중요한 역할
- 다중원천 이종 데이터의 효율적 활용으로 사용자의 선호도와 행동을 더욱 정확하게 파악할 수 있는 방법론을 제시
- 딥러닝과 머신러닝 기술을 적용한 추천 모델의 비교 분석을 통해, 추천 시스템에 적합한 최신 알고리즘과 모델을 탐색하고 개발할 수 있으며, 다양한 산업 분야에서 추천 시스템의 활용 범위와 효과를 극대화하는 데 기여할 것
- 효율적이고 정확한 추천 시스템의 개발은 사용자의 만족도와 서비스의 경쟁력을 높이는 것 뿐만 아니라, 기업의 매출 증대와 시장의 동향 분석에도 긍정적인 영향

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 가. 연구의 목적 ... 4
• 나. 연구의 필요성 ... 4
• 다. 연구의 최종목표 ... 5
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 6
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 8
• 1) 정성적 연구개발성과(연구개발결과) ... 8
• 2) 세부 정량적 연구개발성과 ... 13
• 3) 목표 달성 수준 ... 13
• 4) 목표 미달 시 원인 분석 ... 14
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 14
• 5. 연구개발성과의 관리 및 활용 계획 ... 14
• (1) 기술적 측면 ... 14
• (2) 경제적·산업적 측면 ... 14
• 6. 자체점검표 ... 15
• 7. 참고문헌 ... 15
• 끝페이지 ... 25