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.
부정적 피드백을 활용하여 사용자의 행동 특성과 선호도를 효과적으로 학습하는 추천 모델 NFARec을 제안한다.
본 논문은 과도한 평활화 문제와 편향된 상호작용 분포 문제를 해결하기 위해 문맥화된 그래프 합성곱 연산자와 상호작용 디엔탱글먼트 기법을 제안한다.
데이터 수준 정렬 방식을 통해 추천 시스템과 설명 모듈을 일치시키고, 사용자 선호도 정보를 세부적으로 추출하여 사용자 중심의 추천 설명을 생성할 수 있다.
본 연구는 사용자와 아이템의 불확실성을 효과적으로 모델링하고 전파하기 위해 Wasserstein 거리 기반 그래프 주의 네트워크(W-GAT)를 제안한다. 또한 Wasserstein 의존 상호 정보를 활용하여 사용자와 관련 아이템 간의 유사성을 높이고 KL 발산의 한계를 극복한다.
SARDINE은 동적이고 상호작용적인 추천 환경에서 연구를 가속화할 수 있는 유연하고 해석 가능한 추천 시뮬레이터이다.