추정 통계의 불확실성을 고려하여 추천 정확도와 다양성을 균형있게 향상시킬 수 있는 강건한 포트폴리오 최적화 모델을 제안한다.
추천 시스템 그래프의 엣지 가중치와 사용자 및 아이템 특징을 활용하여 효율적이고 데이터 기반의 추천을 수행한다.
부정적 샘플링은 추천 시스템에서 사용자의 진정한 선호도를 파악하는 데 필수적인 절차이다. 이를 통해 추천 성능을 향상시킬 수 있다.
이 연구는 이산 코드를 통해 더 강력한 협력 정보를 내포하는 대조 뷰를 생성하여 그래프 대조 학습을 향상시키는 것을 목표로 한다.
암묵적 피드백 데이터셋에서 순위 예측을 위한 추천 시스템 알고리즘 선택 문제를 해결하기 위해 기존에 사용되던 메타 특징과 전통적인 메타 학습 알고리즘, 자동화된 기계 학습 알고리즘의 성능을 비교 분석하였다.
추천 시스템 연구에서 사용자의 의사결정 과정을 고려하는 것이 중요하며, 이를 위해 추천 시스템 과제를 애플리케이션 시나리오에 맞게 재정의해야 한다.
M-scan은 시나리오 인지 공동 주의 메커니즘과 시나리오 편향 제거기를 통해 다중 시나리오에서 사용자 관심사를 명시적으로 모델링하고 시나리오 간 편향을 완화하여 추천 성능을 향상시킨다.
본 논문은 개인화된 공정성을 달성하기 위해 사용자 속성 정보를 효과적으로 활용하는 적응형 공정 표현 학습 모델 AFRL을 제안한다. AFRL은 사용자의 공정성 요구사항을 입력으로 받아 동적으로 공정 임베딩을 생성할 수 있으며, 정보 정렬 모듈을 통해 비민감 속성의 식별력 있는 정보와 편향되지 않은 협업 신호를 보존함으로써 공정성과 정확성 간의 균형을 달성한다.
인기 동역학을 활용하여 범용적인 아이템 및 순차 표현을 학습하고, 이를 통해 보조 정보 없이도 도메인 및 애플리케이션 간 제로 샷 전이가 가능한 사전 학습 순차 추천 프레임워크를 제안한다.
지식 그래프를 활용하여 사용자와 아이템의 표현을 동시에 향상시켜 사용자의 동적 관심사를 포착하고 더 정확한 추천을 제공한다.