Recommender Systems

추천 시스템은 영화/음악 스트리밍, E-commerce, 뉴스 포털 등의 플랫폼에서 각 사용자에게 사용자 개개인의 취향이 잘 반영된 아이템(상품)을 제공하기 위한 기술입니다. 이를 위해 추천 시스템은 각 사용자, 아이템의 프로필 정보와 사용자의 과거 아이템 이용/평가 내역을 고려하여 해당 사용자가 선호할 가능성이 높은 아이템들을 예측합니다. 추천 시스템 기술은 사용자의 아이템 선호도 예측을 위해 이용하는 정보에 따라 크게 3가지 방법으로 구분됩니다. (1) 아이템의 컨텐츠 (예: 영화 장르)를 기반으로 구성된 아이템 프로필 정보를 이용하는 컨텐츠 기반 (content-based) 방법, (2) 사용자와 취향이 유사한 이웃 사용자들을 찾아 그들의 과거 아이템 평가 내역을 이용하는 협업 필터링 (collaborative filtering) 방법, (3) (1)과 (2)의 방법들에서 사용하는 정보들을 모두 이용하는 하이브리드 (hybrid) 방법으로 구분됩니다.

최근, 플랫폼 상에서 사용자들에게 제공되는 아이템의 종류와 수가 빠르고 크게 증가함에 따라, 높은 정확도의 추천 시스템을 위한 연구가 학계/산업계에서 활발히 진행되고 있습니다. 특히, Netflix, YouTube, Amazon, Naver 등의 다양한 실세계 플랫폼들에서 사용자 맞춤형 서비스 제공, 마케팅 등을 위해 추천 시스템을 적극적으로 도입 및 활용하고 있으며, 사용자들 또한 이러한 개인화 추천 서비스에 높은 만족도를 느끼며 보다 다각화된 방향으로 플랫폼을 경험하는 경우가 늘어나고 있습니다. 즉, 추천 시스템은 학술적인 가치 뿐만 아니라, 매우 높은 실용성을 갖는 기술입니다.

빅데이터 사이언스 연구실에서는 데이터 마이닝 및 인공 지능 기술을 기반으로, 다양한 추천 시스템과 이와 연관된 응용 기술들을 연구하고 있습니다. 특히, 사용자의 아이템 이용 패턴을 분석하여 각 사용자의 무관심 아이템을 도출한 뒤 이를 통해 각 사용자에게 최적화된 아이템만을 추천해주는 기술은, 그 우수성을 인정받아 빅데이터공학 분야의 탑 컨퍼런스인 IEEE ICDE 2016에 발표되었으며, 이후 추천 시스템 분야를 진전시키는 다양한 관련 기술들을 AAAI, ACM WWW, ACM CIKM, ACM SIGIR, IEEE ICDM 등의 탑 컨퍼런스에 지속적으로 발표하고 있습니다. 또한, NAVER (뉴스 및 키워드 추천 시스템), KT (대화형 추천 시스템), 현대자동차 (POI 추천 시스템) 등 다양한 기업들과의 협업을 통해 활발한 연구를 진행하고 있습니다.

  • (SW 스타랩) 과학기술정보통신부, 실세계의 다양한 다운스트림 태스크를 위한 고성능 빅 하이퍼그래프 마이닝 플랫폼 개발, 2022.04 - 2029.12
  • 과학기술정보통신부, 암시적 정보 기반 스마트 미디어 추천 기술 개발, 2022.04 - 2025.12
  • KT(주), AI 스피커를 위한 대화형 추천 시스템 기술 개발, 2022.05 - 2023.12
  • 한국전자통신연구원 (ETRI), 지능형 개인맞춤 재활운동 서비스 기술 개발, 2021.04 - 2023.10
  • 현대자동차(주), 위치기반 추천 시스템 기술 개발, 2021.08 - 2022.03
  • 네이버(주), 네이버 뉴스 추천 시스템의 사용자 만족도 및 공정성 연구, 2020.11 - 2021.11
  • 한국연구재단, 데이터/기술 융합을 통한 무관심 상품의 도출 및 이를 활용한 추천 시스템 기술 개발, 2017.04 - 2020.03
  • 네이버(주), 네이버 추천 서비스를 위한 One-Class Collaborative Filtering 기술 개발 연구, 2018.08 - 2019.08

Selected Publications

  • Jeewon Ahn\*, Hong-Kyun Bae* and Sang-Wook Kim, “Is the Impression Log Beneficial to Effective Model Training in News Recommender Systems? No, It’s NOT”, In Proceedings of the ACM Web Conference 2023, WWW 2023 (short paper).
  • Hong-Kyun Bae, Yeon-Chang Lee, Kyungsik Han, and Sang-Wook Kim, “A Competition-Aware Approach to Accurate TV Show Recommendation,” In Proc. of the 39th IEEE Int’l. Conf. on Data Engineering, IEEE ICDE 2023 (full paper).
  • Hong-Kyun Bae, Jeewon Ahn, Dongwon Lee, Sang-Wook Kim, “LANCER: A Lifetime-Aware News Recommender System”, In Proc. of the Thirty-Seventh AAAI Conference on Artificial Intelligence, AAAI 2023 (full paper).
  • Deniz CANTURK, Pinar Karagoz, Kim Sang-Wook, Ismail Hakki Toroslu, “Trust-Aware Location Recommendation in Location-Based Social Networks: A Graph-Based Approach”, Expert Systems With Applications, 2023.
  • Taeri Kim\, Yeon-Chang Lee\, Kijung Shin, and Sang-Wook Kim, “MARIO: Modality-Aware Attention and Modality-Preserving Decoders for Multimedia Recommendation”, In Proc. of the 31st ACM Int’l Conf. on Information and Knowledge Management, ACM CIKM 2022 (full paper).
  • Taeho Kim\, Yungi Kim\, Yeon-Chang Lee, Won-Yong Shin, and Sang-Wook Kim, “Is It Enough Just Looking at the Title?: Leveraging Body Text To Enrich Title Words Towards Accurate News Recommendation”, In Proc. of the 31st ACM Int’l. Conf. on Information and Knowledge Management, ACM CIKM 2022 (short paper).
  • Hongjun Lim\, Yeon-Chang Lee\, Jin-Seo Lee, Sanggyu Han, Seunghyeon Kim, Yeongjong Jeong, Changbong Kim, Jaehun Kim, Sunghoon Han, Solbi Choi, Hanjong Ko, Dokyeong Lee, Jaeho Choi, Yungi Kim, Hong-Kyun Bae, Taeho Kim, Jeewon Ahn, Hyun-Soung You and Sang-Wook Kim, “AiRS: A Large-Scale Recommender System at NAVER News”, In Proc. of the 38th IEEE International Conference on Data Engineering, IEEE ICDE 2022 (full paper).
  • Sung-Jun Park\, Dong-Kyu Chae\, Hong-Kyun Bae, Sumin Park and Sang-Wook Kim, “Reinforcement Learning over Sentiment-Augmented Knowledge Graphs towards Accurate and Explainable Recommendation”, In Proc. of the 15th ACM International Conference on Web Search and Data Mining, ACM WSDM 2022 (full paper).
  • Junha Park\*, Yeon-Chang Lee* and Sang-Wook Kim, “Effective and Efficient Negative Sampling in Metric Learning based Recommendation”, Information Sciences, 2022.
  • Yunyong Ko\, Jae-Seo Yu\, Hong-Kyun Bae, Yongjun Park, Dongwon Lee and Sang-Wook Kim, “MASCOT: A Quantization Framework for Efficient Matrix Factorization in Recommender Systems”, In Proc. of the 21st IEEE International Conference on Data Mining, IEEE ICDM 2021 (full paper).
  • Yeon-Chang Lee\, Taeho Kim\, Jaeho Choi, Xiangnan He and Sang-Wook Kim, “M-BPR: A Novel Approach to Improving BPR for Recommendation with Multi-type Pair-wise Preferences”, Information Sciences, 2021.
  • Kyung-Jae Cho\, Yeon-Chang Lee\, Kyungsik Han, Jaeho Choi and Sang-Wook Kim, “No, That’s Not My Feedback: TV Show Recommendation Using Watchable Interval”, In Proc. of the 35th IEEE Int’l Conf. on Data Engineering, IEEE ICDE 2019 (full paper).
  • Jongwuk Lee, Won-Seok Hwang, Juan Parc, Sang-Wook Kim, Dongwon Lee, and YoungNam Lee, “l-Injection: Toward Effective Collaborative Filtering Using Uninteresting Items”, IEEE Transactions on Knowledge and Data Engineering, 2019.
  • Youngnam Lee, Sang-Wook Kim, Sunju Park and Xing Xie, “How to Impute Missing Ratings? Claims, Solution, and Its Application to Collaborative Filtering”, In Proc. of the 27th Int’l World Wide Web Conference, WWW 2018 (full paper).
  • Yeon-Chang Lee, Sang-Wook Kim, and Dongwon Lee, “gOCCF: Graph-Theoretic One-Class Collaborative Filtering Based on Uninteresting Items”, In Proc. of Int’l AAAI Conf. on Artificial Intelligence, AAAI 2018 (full paper).
  • Jiwon Hong and Sang-Wook Kim, Mina Rho, YoonHee Choi, Yoonsik Tak, “An Accurate, Efficient, and Scalable Approach to Channel Matching in Smart TVs”, In Proc. of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval, ACM SIGIR 2017 (short paper).
  • Won-Seok Hwang, Juan Parc, Sang-Wook Kim, Jongwuk Lee, and Dongwon Lee, ““Told You I Didn’t Like It”: Exploiting Uninteresting Items for Effective Collaborative Filtering”, In Proc. of the 32nd IEEE Int’l Conf. on Data Engineering, IEEE ICDE 2016 (full paper).
  • Jongwuk Lee, Dongwon Lee, Yeon-Chang Lee, Won-Seok Hwang and Sang-Wook Kim, “Improving the Accuracy of Top-N Recommendation using a Preference Model”, Information Sciences, 2016.
  • Sang-Chul Lee, Sang-Wook Kim, and SunJu Park, “A Graph-Based Recommendation Framework for Price Comparison Services”, In Proc. of the 24th Int’l World Wide Web Conference, WWW 2015 (short paper).