이 연구 주제는 사용자의 선호, 맥락, 상호작용 이력을 정교하게 반영하여 더 정확하고 설명 가능한 추천 결과를 제공하는 차세대 추천시스템과 정보검색 기술에 초점을 둔다. 연구실은 전통적인 협업 필터링, 세션 기반 추천, 순차 추천, 선형 추천 모델을 기반으로 하면서도, 최근에는 거대 언어 모델과 생성형 인공지능을 결합해 초개인화된 생성 추천과 생성 검색으로 연구 범위를 확장하고 있다. 특히 희소성, 편향, 콜드스타트, 장기 꼬리 아이템 문제처럼 실제 서비스 환경에서 빈번하게 나타나는 구조적 한계를 해결하는 데 강점을 보인다. 구체적으로는 사용자가 평가하지 않은 비선호 항목을 활용하는 데이터 보강, 군중지능을 이용한 콜드스타트 완화, 명시적·암묵적 피드백의 편향 보정, 지식 증류를 활용한 경량화 및 성능 향상, 그리고 대규모 언어 모델을 이용한 의미 기반 아이템 표현 학습 등이 핵심 방법론으로 나타난다. 최근 연구에서는 생성형 추천 모델이 시간 정보, 사용자 의도, 세션 내 다중 관심사, 텍스트 속성 정보를 어떻게 통합할 수 있는지 탐구하며, 검색과 추천의 경계를 넘나드는 통합 프레임워크를 구축하고 있다. 이는 추천 결과의 정확도뿐 아니라 다양성, 참신성, 효율성까지 함께 고려하는 방향으로 이어진다. 이러한 연구는 전자상거래, 콘텐츠 플랫폼, 미디어 서비스, 교육 플랫폼 등 다양한 산업 영역에서 즉시 활용 가능성이 높다. 연구실의 성과는 국제 최고 수준의 정보검색 및 추천 학회와 저널에 지속적으로 발표되고 있으며, 추천 리스트 생성, 데이터 증강, 지식 증류, 생성형 추천 등 실용성과 학술성을 함께 갖춘 형태로 발전하고 있다. 앞으로는 사용자 의도 이해, 설명 가능한 추천, 언어 모델 기반 검색-추천 통합, 실시간 적응형 추천이 결합되면서 인간 중심의 고신뢰 개인화 시스템으로 진화할 가능성이 크다.

이 연구 주제는 문서, 문단, 표, 질의, 문장 간의 의미 관계를 이해하여 사용자의 질문에 대해 정확한 답과 근거를 제시하는 자연어처리 기술을 다룬다. 연구실은 정보검색과 자연어처리의 접점을 적극적으로 활용하여 검색 증강 생성, 문단 재순위화, 질의응답, 문서 압축, 자연어-SQL 변환, 은유 탐지 등 폭넓은 언어 이해 문제를 연구하고 있다. 특히 최근에는 거대 언어 모델을 단순 생성 도구가 아니라 검색, 재순위화, 추론, 정답 근거 생성까지 포괄하는 통합 지능 모듈로 활용하는 방향이 뚜렷하다. 세부 방법론으로는 문단 및 문장 단위의 표현 학습, 다중 관점 기반 재순위화, 다중 홉 추론, 프롬프팅 전략, 멀티그레인 융합, 검색 증강 생성 구조의 충돌 완화, 다중 문서 이해를 위한 프롬프트 압축 등이 포함된다. 또한 특허와 프로젝트를 통해 확인되듯이, 질문과 후보 문단의 임베딩을 기반으로 문단 재순위화와 문장 분류를 함께 수행하여 답변 정확도를 높이는 기술, 표·문단·도표를 함께 이해하는 다중양식 질의응답 기술, 대규모 언어모델의 귀추적 추론 능력을 분석하고 개선하는 기술이 핵심 축을 이룬다. 이는 단순한 언어 생성보다 더 높은 수준의 근거 중심 추론과 신뢰성 확보를 목표로 한다. 이 연구의 활용 범위는 검색엔진, 문서분석 자동화, 의사결정 지원, 지식 서비스, 데이터베이스 인터페이스, 교육용 튜터링 시스템 등 매우 넓다. 연구실은 복잡한 인과 관계 이해, 옴니 데이터 기반 귀추적 추론, 변화하는 가치에 지속적으로 부합하는 정렬된 인공지능 같은 중장기 과제를 수행하며, 언어모델의 추론 능력과 사회적 신뢰성을 동시에 강화하는 방향으로 연구를 확장하고 있다. 향후에는 멀티모달 문서 이해, 설명 가능한 답변 생성, 도메인 특화 질의응답, 가치 정렬형 에이전트 기술이 결합되어 고신뢰 지식 인공지능으로 발전할 것으로 기대된다.

이 연구 주제는 완전한 정답 데이터가 부족한 현실 환경에서 이미지, 텍스트, 표와 같은 다양한 형태의 데이터를 함께 학습하여 강건한 인공지능 모델을 구축하는 데 중점을 둔다. 연구실은 약지도·반지도 학습, 멀티모달 표현 학습, 자기지도학습, 데이터 증강을 활용해 데이터 라벨링 비용을 줄이면서도 높은 성능을 달성하는 방법을 연구해 왔다. 특히 의미 분할 분야에서 이미지 수준 라벨과 살리언시 정보를 결합하여 픽셀 수준 감독을 대체하는 연구는 컴퓨터비전과 약지도학습의 결합 사례로서 연구실의 확장성을 보여준다. 방법론 측면에서는 서로 다른 감독 신호를 결합하는 공동 학습 전략, 오류가 포함된 약한 라벨을 정제하는 기법, 다중 표현 간 보완 관계를 활용하는 융합 구조, 자기주도 인공지능을 위한 자기지도학습과 메타 러닝, 그리고 데이터 증강을 통한 일반화 향상 등이 중요하다. 최근 수행 과제에서는 오픈 도메인 멀티모달 자기주도 인공지능, 시각-언어-행동 통합지능, 산업융합형 멀티모달 생성 AI와 같은 주제가 포함되어 있어, 연구실이 언어 중심 AI를 넘어 비전 및 행동 정보까지 연결하는 통합 인공지능으로 연구 영역을 확대하고 있음을 알 수 있다. 이는 실제 환경에서 적응하고 학습하는 에이전트형 AI를 위한 핵심 기반 기술이다. 이러한 연구는 제조, 로봇, 문서 이해, 시각 질의응답, 복합 의사결정 등 복잡한 현장 문제에 직접 연결된다. 완전한 정답셋을 구축하기 어려운 산업 현장에서 약지도와 멀티모달 학습은 비용 효율성과 확장성 측면에서 매우 중요하며, 연구실의 접근은 이를 실제 적용 가능한 수준으로 끌어올리는 데 의의가 있다. 앞으로는 대규모 멀티모달 모델, 온디바이스 AI, 자기주도 적응, 환경 변화 대응 능력이 결합되면서, 보다 유연하고 신뢰성 높은 범용 인공지능 시스템으로 발전할 가능성이 높다.