아이템 등록 시점부터 발생/수집한 최소한의 유저-아이템 상호작용 데이터를 사용하여 해당 아이템을 좋아할 만한 사용자에게 기존 방식 대비 더 정확하게 추천하는 추천 시스템 구현을 위한 세부 기술을 연구한다. 구체적으로는 다음 세 가지 기술을 연구한다. - (1) 메타 학습 기법을 사용한 Item-cold-start 문제를 개선할 수 있고 실제 서비스에 적용하기 적합한 Neural network 구조 및 정보 저장 방식 연구: 기본적으로 메타 학습의 일종인 MAML (Model Agnostic Meta Learning) 기법을 사용하여 추천 모델을 학습할 계획이다. 다만, 아이템의 경우 기존 user-cold-start 방식처럼 아이템 하나당 추천 모델을 만들어 운영하기 어려우므로 아이템 각각에 대해 메타 학습으로 학습한 아이템의 특성을 아이템 embedding vector로 표현하고, 아이템 embedding vector를 사용하여 임의의 사용자-아이템 사이의 사용자 취향을 계산하는 방식을 연구한다. 또한 가능하면 모델의 현재 상태도 상태 embedding vector (이하 상태 벡터)로 변환하여, 이를 이용하여 모델이 현재까지 학습한 부분을 최소한의 공간을 사용하여 저장해 두고 필요할 때 상태 벡터로부터 모델을 재구성한 다음 새로운 사용자 피드백을 사용하여 이어서 모델을 갱신할 수 있도록 하는 구조를 연구한다. - (2) 사용자의 부정적인 경험을 최소화하면서 Cold-start 아이템의 특성을 효율적으로 유추하기 위한 상호작용 정보를 수집할 수 있는 노출 대상 (사용자) 선택 방법: 사용자 개개인이 서비스를 사용할 때 발생하는 상호작용 데이터를 사용하여 해당 사용자 개개인의 모델을 갱신할 수 있는 사용자 모델과 달리, 처음 등록된 아이템(Cold-start 아이템)은 시스템에서 어느 정도 강제적으로 사용자에게 노출하지 않으면 학습에 필요한 데이터를 수집하기 어렵다. 랜덤하게 사용자를 선택하여 노출하는 방법이 이상적이나 실제 서비스에서 랜덤한 사용자에게 아이템을 노출하게 되면, 대부분의 사용자에게는 취향에 맞지 않는 아이템이 노출되어 추천 시스템에 대한 사용자 경험에 부정적으로 작용하게 된다. 따라서 가능하면 취향에 맞을 확률이 높은 사용자를 선택하여 노출할 수 있고, 동시에 선택된 사용자 사이에서는 어느 정도 취향이 달라 선택한 사용자의 취향이 한 방향으로 극단적으로 바이어스되는 것을 방지할 수 있는 사용자 선택 방식을 연구한다. - (3) 상이한 사용자 그룹의 피드백 데이터를 사용하여 특성을 추론한 아이템들 사이의 비교 우위를 보정하는 방법: 아이템의 특성을, 모든 아이템에 대해 동일한 사용자 그룹의 피드백 데이터를 사용하여 학습하지 않고, 아이템마다 각각 다른 사용자 그룹에 대한 피드백 데이터로 학습하였으므로, 어떤 사용자에게 아이템을 추천할 때, 예를 들어 일정 정도 이상 사용자 취향에 부합하다고 추론된 아이템들 사이의 비교 우위(어느 아이템을 사용자가 더 좋아하는가)가 명확하지 않을 가능성이 높다. 비교 우위를 명확하게 하기 위해, 메타 학습으로 특성을 추론한 아이템을 실제 사용자에게 노출하였을 때의 사용자의 피드백을 사용하여, 노출된 아이템의 사이의 비교우위를 재조정하는 방법을 연구한다.