Personalized Recommendation via Preference Tracing and User Type Modeling
연구 내용
지식 추적에서 확장한 선호 추적과 네트워크 임베딩 기반 유형화를 통해 동적 개인화 신호를 학습하는 연구
사용자 행동이 시간에 따라 변하는 상황에서 동적 선호를 안정적으로 추적하고 개인화 추천에 활용하는 연구를 수행합니다. 지식 추적 프레임에서 출발해 사용자 상호작용으로부터 선호 변화를 모델링하여 추천용 신호로 변환하는 접근을 사용합니다. 또한 커뮤니티·팬덤 데이터를 네트워크 구조로 보고 네트워크 임베딩과 분류 기법을 통해 팬덤 유형을 체계화합니다. 유형별 특성을 반영해 추천·분석의 입력 표현을 설계함으로써, 단일 정적 특성에 의존하지 않는 개인화 전략을 구현하는 데 중점을 둡니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 사용자 행동 데이터에서 관계 구조와 시간 변화를 동시에 반영하기 위한 임베딩 기반 표현 학습에 집중했습니다. 이후 지식 추적 개념을 선호 추적으로 확장해, 상호작용 순서가 반영된 동적 선호 추정 절차를 정립했습니다. 병행해서 팬덤 유형을 네트워크 임베딩 기반으로 분류하고, 유형 간 차이를 설명 가능한 분석 단위로 구성했습니다. 최근에는 동적 선호 신호와 사용자 유형 정보를 결합해 개인화 추천 성능을 좌우하는 입력 설계를 고도화하는 방향으로 연구를 이어가고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
How do fandom types differ? A taxonomy of K-pop fandom with network embedding
From knowledge tracing to preference tracing: Capturing dynamic user preferences for personalized recommendation