📘 Implicit Feedback(암묵적 피드백)란?

사용자가 직접 표현하지 않았지만, 행동을 통해 드러나는 선호도나 의도를 추론하는 방식을 말합니다.

즉,
“좋아요!”, “별점 5점!”처럼 명시적으로 표현하는 피드백(explicit feedback)이 아니라,
사용자의 행동 패턴을 보고 시스템이 자동으로 해석하는 피드백이에요.

⸻

👀 예시

✔ 클릭

특정 상품을 여러 번 클릭 → 관심 있다고 해석

✔ 조회시간

영상이나 글을 오래 봤다 → 선호한다고 추정

✔ 장바구니 담기

구매 의도 있다고 간주

✔ 스크롤, 재생, 반복 재생

콘텐츠 선호도 추정에 사용

⸻

🧠 왜 중요할까?
• 사용자 입장에서 노력 없이 자연스럽게 수집 가능
• 추천 시스템(YouTube, Netflix, 쇼핑몰, SNS)의 핵심 데이터
• 명시적 피드백 부족한 상황에서도 유용

⸻

✨ 한 문장 요약

Implicit feedback = 사용자의 행동을 기반으로 ‘암묵적으로’ 추론하는 선호도 정보.

Implicit Feedback(암묵적 피드백): 정의, 예시, 성공사례와 향후 트렌드

현대 추천 시스템의 핵심 데이터 소스인 Implicit Feedback은 사용자가 명시적으로 평가를 제공하지 않아도 그들의 행동 패턴을 관찰하여 선호도를 추론하는 방법론입니다. 이 접근법은 Netflix, YouTube, Spotify와 같은 글로벌 플랫폼의 추천 시스템을 뒷받침하는 핵심 기술이며, 최근에는 대규모 언어모델(LLM)과의 통합, 그래프 신경망(GNN) 적용, 그리고 약지도 학습(Weakly Supervised Learning) 등 혁신적인 방향으로 발전하고 있습니다[1][2][3].

Implicit Feedback의 개념과 특징

Implicit Feedback은 사용자의 행동을 간접적으로 관찰하여 얻는 피드백으로, 명시적인 평가(예: 별점, 좋아요/싫어요 버튼) 없이 선호도를 추론하는 방식입니다. 이는 사용자의 클릭, 조회수, 구매 이력, 검색 기록, 체류 시간, 재생 횟수, 스킵 행동, 플레이리스트 추가, 심지어 마우스 움직임까지 포함하는 광범위한 행동 데이터를 활용합니다[1][4][5].

Explicit Feedback과의 근본적 차이는 데이터 수집 방식과 해석에 있습니다. Explicit Feedback은 사용자가 직접적으로 자신의 선호를 표현하는 반면(예: 영화에 5점 평점 부여), Implicit Feedback은 사용자의 자연스러운 행동을 통해 선호를 간접적으로 추론합니다. 예를 들어, 어떤 사용자가 특정 작가의 책을 여러 권 구매했다면, 그 작가를 좋아한다고 유추할 수 있습니다[5][6].

Implicit Feedback의 주요 장점은 대규모 데이터 수집이 용이하다는 점입니다. 사용자에게 평점을 작성하라고 요구하는 것은 귀찮은 일이므로 실제로 많은 피드백을 수집하기 어렵지만, Implicit Feedback은 사용자의 모든 기록된 행위를 자동으로 수집할 수 있어 방대한 양의 데이터를 활용할 수 있습니다. 또한 사용자에게 부담을 주지 않으며(non-intrusive), 실시간으로 수집이 가능하고, 비즈니스 목표와 직접적으로 연관되어 있습니다[1][7].

그러나 단점도 명확합니다. 가장 큰 문제는 Missing Negative Feedback입니다. 사용자가 어떤 아이템과 상호작용하지 않았을 때, 그것이 정말 관심이 없어서인지(진짜 부정적 피드백), 아니면 단순히 그 아이템의 존재를 몰랐기 때문인지(missing value) 구분하기 어렵습니다. 또한 데이터에 노이즈가 많고, 해석의 모호성이 존재하며, Exposure Bias(노출 편향) 문제도 발생합니다[5][8][9].

주요 예시와 적용 분야

Implicit Feedback은 다양한 도메인에서 활용되며, 각 플랫폼은 고유한 방식으로 사용자 행동을 추적합니다. 동영상 스트리밍에서는 시청 시간, 영상 시작/종료 지점, 재생/일시정지 행동, 되감기, 건너뛰기가 주요 신호입니다. 음악 스트리밍에서는 재생 횟수, 스킵 행동, 플레이리스트 추가, 반복 재생, 공유 행동이 사용됩니다[2][10][11].

전자상거래(E-commerce)에서는 구매 이력, 클릭, 장바구니 담기, 위시리스트 추가, 상품 페이지 체류 시간, 검색 쿼리가 핵심 데이터입니다. 뉴스 및 콘텐츠 플랫폼에서는 기사 클릭, 읽은 시간, 스크롤 깊이, 댓글 작성, 공유 행동이 활용됩니다[1][12][13].

이러한 Implicit Feedback은 단순히 하나의 신호만 사용하는 것이 아니라 여러 신호를 결합하여 사용합니다. 예를 들어, Spotify는 재생 횟수와 클릭을 동시에 고려하여 추천의 품질을 향상시킵니다[2][10].

산업계 성공사례

YouTube의 추천 시스템

YouTube는 전 세계 20억 명 이상의 활성 사용자를 보유한 플랫폼으로, Implicit Feedback 기반 추천 시스템의 대표적 성공사례입니다. YouTube의 추천 엔진은 사용자의 시청 이력, 좋아요, 댓글, 구독 등의 명시적 피드백뿐만 아니라, 시청 시간, 재생 빈도, 공유 같은 암묵적 피드백을 결합하여 활용합니다. 특히 시청 시간은 매우 중요한 지표로, 사용자가 동영상의 90%를 시청했다면 강한 긍정 신호로, 2분 만에 종료했다면 부정 신호로 해석됩니다[2][14].

YouTube는 딥러닝(Deep Learning), 협업 필터링(Collaborative Filtering), 순환 신경망(RNN), 장단기 메모리 네트워크(LSTM)를 사용하여 사용자 행동의 장기 의존성을 포착하고, 사용자가 다음에 시청할 콘텐츠를 예측합니다. AI는 실시간 데이터를 분석하여 바이럴 콘텐츠를 예측하고, 특정 지역이나 인구통계에서 인기를 얻기 시작한 영상을 유사한 관심사를 가진 사용자에게 추천합니다[14].

Spotify의 음악 추천

Spotify는 협업 필터링, 자연어 처리(NLP), 오디오 분석을 결합한 하이브리드 추천 시스템을 운영합니다. Implicit Feedback 측면에서는 재생 횟수, 스킵, 플레이리스트 추가, 반복 재생, 공유 등의 행동 데이터를 활용합니다. 사용자가 5초 만에 곡을 건너뛰면 강한 부정 신호로, 곡을 끝까지 듣고 다시 재생하면 강한 긍정 신호로 해석됩니다[10][15][11].

Spotify는 Matrix Factorization과 Alternating Least Squares(ALS) 알고리즘을 사용하여 사용자-아이템 상호작용 행렬을 분해하고, 사용자의 잠재 요인(latent factors)과 곡의 특성을 매칭합니다. 특히 Implicit Feedback을 다루기 위해 명시적인 평점 대신 재생 횟수와 스킵 패턴을 신뢰도(confidence) 점수로 변환하여 사용합니다[10][15][16].

Spotify의 연구에 따르면, Implicit Signal의 선택이 추천 결과에 큰 영향을 미칩니다. 예를 들어, 팟캐스트 추천에서 에피소드 재생(episode plays)과 쇼 구독(show subscriptions) 중 어느 신호를 우선시하느냐에 따라 추천되는 콘텐츠 유형이 달라집니다. 구독은 사용자의 "열망하는 목표(aspirational goals)"를 반영하는 반면, 실제 재생은 즉각적인 선호를 나타냅니다[17].

Netflix의 콘텐츠 추천

Netflix는 사용자의 시청 패턴, 시청 완료율, 재생/일시정지/되감기 행동을 분석하여 개인화된 추천을 제공합니다. Netflix는 Implicit Feedback의 동적 변화(dynamic missingness)를 모델링하는 연구를 수행하여, 사용자의 의도(user intent)가 시간에 따라 어떻게 변화하는지를 포착합니다[18][19].

Amazon과 Alibaba의 전자상거래 추천

Amazon과 Alibaba 같은 대형 전자상거래 플랫폼은 구매 이력, 클릭, 장바구니 담기, 상품 페이지 체류 시간, 검색 쿼리 등의 Implicit Feedback을 활용합니다. 이러한 플랫폼들은 수십억 개의 상품과 사용자 상호작용을 처리해야 하므로, 확장 가능한(scalable) Implicit Feedback 알고리즘이 필수적입니다[13][20][21].

핵심 알고리즘과 기술

Alternating Least Squares (ALS)

ALS는 Implicit Feedback을 위한 Matrix Factorization 기법 중 가장 널리 사용되는 알고리즘입니다. ALS는 사용자 행렬과 아이템 행렬을 교대로 최적화하며, 희소한(sparse) 데이터셋에서 효과적으로 확장됩니다. Spotify와 Netflix 같은 플랫폼이 ALS를 활용하여 대규모 추천 시스템을 구축했습니다[2][22][23].

Bayesian Personalized Ranking (BPR)

BPR은 Pairwise Learning 방식을 채택하여, 사용자가 아이템 i를 아이템 j보다 선호한다는 쌍(pair) 관계를 학습합니다. 기존의 Pointwise 방식은 각 아이템을 독립적으로 평가했지만, BPR은 상대적 순위(ranking)를 직접 최적화하여 Top-K 추천 문제에 더 적합합니다[24][25][26][27].

Neural Collaborative Filtering과 Deep Learning

딥러닝 기반 협업 필터링은 사용자-아이템 상호작용의 복잡한 비선형 패턴을 포착할 수 있습니다. YouTube는 딥 신경망(DNN)과 RNN/LSTM을 활용하여 사용자의 시청 이력에서 순차적 패턴을 학습하고, 다음 시청할 영상을 예측합니다[14][28].

Graph Neural Networks (GNN)

GNN은 사용자-아이템 상호작용을 그래프 구조로 모델링하여, 노드(사용자/아이템) 간의 관계를 학습합니다. GNN은 고차(high-order) 상호작용을 포착할 수 있어, 단순한 협업 필터링보다 더 풍부한 표현을 학습할 수 있습니다. 최근 연구는 GNN에 Self-training 기법을 적용하여 데이터 희소성과 노이즈 샘플링 문제를 완화하고 있습니다[29][30][31].

주요 도전과제

Missing Negative Feedback (부정 피드백 결여)

Implicit Feedback의 가장 큰 도전과제는 부정적 피드백을 직접 관찰할 수 없다는 점입니다. 사용자가 아이템과 상호작용하지 않았을 때, 그것이 싫어서인지 아니면 단순히 몰랐기 때문인지 알 수 없습니다. 이로 인해 모델 학습 시 부정 샘플(negative samples)을 생성하는 전략이 필요하며, 잘못된 부정 샘플 선택은 모델 성능을 크게 저하시킵니다[3][8][32].

최근 연구는 Weakly Supervised Learning 접근법을 제안하여, 부정 샘플 없이도 Implicit Feedback을 학습할 수 있는 프레임워크를 개발했습니다. WeaklyRec 같은 방법은 class prior estimation을 통해 편향 없는(unbiased) 추정을 가능하게 합니다[3][32].

Cold Start Problem (콜드 스타트 문제)

새로운 사용자나 아이템은 상호작용 이력이 없어 추천이 어렵습니다. Implicit Feedback만으로는 이 문제를 완전히 해결할 수 없으므로, 하이브리드 접근법이 필요합니다. 예를 들어, 콘텐츠 기반 필터링(content-based filtering)과 결합하거나, 사용자에게 초기 선호도를 물어보는 Active Learning 전략을 사용합니다[33][34][35][36].

Data Sparsity와 Noise

Implicit Feedback 데이터는 매우 희소하며(sparse), 노이즈가 많습니다. 예를 들어, 사용자가 실수로 클릭했거나, 추천 시스템에 의해 노출된 인기 아이템만 소비하는 경우(exposure bias) 등이 노이즈로 작용합니다. 최근 연구는 Denoising Techniques와 Contrastive Learning을 활용하여 이러한 문제를 완화하고 있습니다[37][38][29].

Exposure Bias (노출 편향)

사용자가 상호작용하지 않은 아이템 중 일부는 실제로 싫어하는 것이 아니라 단순히 노출되지 않았기 때문일 수 있습니다. 이는 추천 시스템의 평가와 학습에 편향을 야기합니다. Causal Inference 기법을 활용하여 노출 편향을 보정하는 연구가 진행되고 있습니다[8][20].

향후 트렌드와 발전 방향

LLM과 RLHF 통합

2024-2025년의 가장 주목받는 트렌드는 대규모 언어모델(LLM)과 Reinforcement Learning from Human Feedback(RLHF)의 통합입니다. RLHF는 전통적으로 명시적 피드백(예: 선호도 비교)을 사용했지만, 최근 연구는 Implicit User Feedback을 활용하여 LLM을 개인화하는 방향으로 발전하고 있습니다[39][40][41][42].

Coactive Learning은 사용자가 LLM이 생성한 텍스트를 편집할 때 발생하는 암묵적 피드백을 활용합니다. 편집된 텍스트가 원본보다 개선되었다는 약한 선호 신호($\bar{y} \succ y$)를 학습하여, 사용자별 개인화된 LLM을 훈련할 수 있습니다[39][40][43].

Graph Neural Networks의 고도화

GNN 기반 추천 시스템은 Self-training, Attention Mechanisms, Sequential Modeling을 통해 발전하고 있습니다. Self-training은 학습 과정에서 모델 자체의 예측을 활용하여 잠재적 긍정 샘플을 식별하고, 어려운 부정 샘플(hard negative samples)을 생성하여 샘플링 품질을 향상시킵니다[29][30].

Implicit Graph Neural Networks(IGNN)은 고정점 균형(fixed-point equilibrium)을 기반으로 장거리 의존성(long-range dependencies)을 포착하며, 기존 GNN보다 더 깊은 표현을 학습할 수 있습니다[44][45].

Uncertainty Quantification (불확실성 정량화)

Implicit Feedback의 불확실성을 정량화하는 연구가 증가하고 있습니다. 예를 들어, 음악 스트리밍에서 반복 소비(repeated consumption)는 사용자의 강한 선호를 나타낼 수도 있지만, 시간이 지나면서 싫증(satiation)으로 선호도가 감소할 수도 있습니다. Bayesian Modeling을 활용하여 이러한 불확실성 패턴을 모델링하면 더 신뢰할 수 있는 추천이 가능합니다[46].

Denoising과 Bias Correction

Implicit Feedback의 노이즈를 제거하고 편향을 보정하는 기법이 발전하고 있습니다. Dynamic Threshold를 사용하여 학습 초기의 잘못된 긍정 샘플(false positives)을 효과적으로 제어하거나, Propensity Weighting을 통해 노출 편향을 보정하는 방법이 연구되고 있습니다[47][3][8][38].

Privacy-preserving Implicit Feedback

개인정보 보호가 중요해지면서, Local Differential Privacy(LDP)를 활용한 Implicit Feedback 처리가 주목받고 있습니다. LDP는 사용자 데이터가 서버로 전송되기 전에 클라이언트 측에서 노이즈를 추가하여 개인정보를 보호하면서도, Bayesian Estimation을 통해 정확한 사용자-아이템 상호작용 확률을 재구성합니다[48].

Context-aware와 Sequential Modeling

사용자의 맥락(context)과 순차적 행동 패턴을 고려하는 추천이 중요해지고 있습니다. 예를 들어, Spotify의 "What's New" 탭에서는 높은 스킵률이 예상되므로, 스킵을 강한 부정 신호로 해석하지 않습니다. 반면 "Deep Focus" 플레이리스트에서의 스킵은 강한 불만족 신호로 작용합니다[49].

Sequential Recommendation은 사용자의 행동 시퀀스를 RNN, LSTM, Transformer 등으로 모델링하여, 다음 상호작용을 예측합니다. 최근 연구는 Attention Mechanism을 활용하여 시퀀스 내에서 중요한 아이템에 더 높은 가중치를 부여합니다[12][28].

Serendipity, Diversity, Novelty 최적화

단순한 정확도를 넘어, 우연한 발견(serendipity), 다양성(diversity), 새로움(novelty)을 고려한 추천이 중요해지고 있습니다. Serendipity는 예상치 못한 긍정적 발견을 의미하며, 사용자의 "호기심(curiosity)"을 자극하여 더 풍부한 탐색 경험을 제공합니다[50][51][31][52].

최근 연구는 사용자의 장기 선호(long-term preferences)와 단기 선호(short-term preferences) 간의 차이를 분석하여, 호기심이 높은 사용자에게는 더 예상치 못한 아이템을, 호기심이 낮은 사용자에게는 기존 선호와 유사한 아이템을 추천하는 개인화된 Serendipity를 구현하고 있습니다[50].

Multi-modal Implicit Feedback

텍스트, 이미지, 오디오, 비디오 등 다양한 모달리티(multi-modal)의 Implicit Feedback을 통합하는 연구가 증가하고 있습니다. 예를 들어, 사용자가 상품 이미지를 클릭하거나, 동영상의 특정 부분에서 일시정지하는 행동 등을 종합적으로 분석하여 더 정교한 선호도 추론이 가능해집니다[14][10].

결론

Implicit Feedback은 현대 추천 시스템의 핵심 데이터 소스로 자리 잡았으며, YouTube, Spotify, Netflix, Amazon 등 글로벌 플랫폼의 성공을 뒷받침하고 있습니다. 대규모 데이터 수집이 용이하고 사용자에게 부담을 주지 않는다는 장점이 있지만, Missing Negative Feedback, 노이즈, Exposure Bias 등의 도전과제도 존재합니다[1][7][8].

향후 트렌드는 LLM과 RLHF의 통합, GNN 고도화, 불확실성 정량화, Denoising 기법, Privacy-preserving 기술, Context-aware 모델링, Serendipity 최적화 등 다양한 방향으로 발전하고 있습니다. 특히 약지도 학습(Weakly Supervised Learning) 접근법은 부정 샘플 없이도 편향 없는 학습을 가능하게 하여, Implicit Feedback 연구의 새로운 패러다임을 제시하고 있습니다[3][32][39][29].

이러한 발전은 단순히 추천 정확도를 높이는 것을 넘어, 사용자에게 더 다양하고, 새로우며, 우연한 발견의 기쁨을 주는 추천 경험을 제공하는 방향으로 나아가고 있습니다. Implicit Feedback은 앞으로도 추천 시스템, 대규모 언어모델, 강화학습 등 다양한 AI 기술의 핵심 요소로 자리매김할 것입니다[51][31][52].

출처
[1] 추천 시스템에서의 Implicit Feedback - 지그시 https://glanceyes.com/entry/%EC%B6%94%EC%B2%9C-%EC%8B%9C%EC%8A%A4%ED%85%9C%EC%97%90%EC%84%9C%EC%9D%98-Implicit-Feedback
[2] What is implicit feedback in recommender systems? https://milvus.io/ai-quick-reference/what-is-implicit-feedback-in-recommender-systems
[3] Unbiased Recommender Learning from Implicit Feedback via ... https://haoxuanli-pku.github.io/papers/ICML%2025%20-%20Unbiased%20Recommender%20Learning%20from%20Implicit%20Feedback%20via%20Progressive%20Proximal%20Transport.pdf
[4] RS : Implicit Feedback vs Explicit Feedback https://velog.io/@amin/220718%EC%9B%94
[5][논문] Collaborative Filtering for Implicit Feedback Datasets https://thelazyday.tistory.com/58
[6] subjective vs objective - 뜻과 차이 | 워드바이스 AI https://wordvice.ai/ko/grammar/subjective-vs-objective
[7] Recommending based on Implicit Feedback https://web-ainf.aau.at/pub/jannach/files/BookChapter_Social_Information_Access_2018.pdf
[8] Bias and Debias in Recommender System - Jiawei Chen https://jiawei-chen.github.io/paper/bias.pdf
[9] How does implicit feedback differ from explicit feedback in ... https://milvus.io/ai-quick-reference/how-does-implicit-feedback-differ-from-explicit-feedback-in-recommendations
[10] Spotify's Music Recommendation Algorithm: The Complete ... https://beatstorapon.com/blog/ultimate-guide-to-spotify-music-algorithm/
[11] Spotify Music Recommendation Systems https://pyimagesearch.com/2023/10/30/spotify-music-recommendation-systems/
[12][논문 리뷰] Positive, Negative and Neutral: Modeling Implicit ... https://ysg2997.tistory.com/38
[13] Handling Sparse Rating Matrix for E-commerce ... https://inass.org/wp-content/uploads/2021/12/2022043035-2.pdf
[14] How YouTube Recommendation Works: A Deep Dive into ... https://ingrade.io/how-youtube-recommendation-works-a-deep-dive-into-ai-deep-learning-and-collaborative-filtering/
[15] Spotify recommendation system https://www.techaheadcorp.com/blog/spotify-recommendation-system/
[16] Logistic Matrix Factorization for Implicit Feedback Data https://web.stanford.edu/~rezab/nips2014workshop/submits/logmat.pdf
[17] Choice of Implicit Signal Matters: Accounting for User ... https://research.atspotify.com/2022/05/choice-of-implicit-signal-matters-accounting-for-user-aspirations-in-podcast-recommendations
[18] Modeling Dynamic Missingness of Implicit Feedback for ... http://papers.neurips.cc/paper/7901-modeling-dynamic-missingness-of-implicit-feedback-for-recommendation.pdf
[19] Netflix's personalized recommendation system https://research.netflix.com/research-area/recommendations
[20] Information Discovery in E-commerce http://staff.ustc.edu.cn/~hexn/papers/sigir18-tutorial-information-discovery.pdf
[21] Transforming E-Commerce with Intelligent ... https://ijcesen.com/index.php/ijcesen/article/download/1183/627/4535
[22] benfred/implicit: Fast Python Collaborative Filtering ... https://github.com/benfred/implicit
[23] Fast Matrix Factorization for Online Recommendation with ... https://dl.acm.org/doi/10.1145/2911451.2911489
[24] Revisiting BPR: A Replicability Study of a Common ... https://arxiv.org/html/2409.14217v2
[25] 05.[paper review] BPR from Implicit Feedback https://seunghan96.github.io/rs/5.-paper-review-Bayesian-Personalized-Ranking-from-Implicit-Feedback/
[26][Survey] 추천시스템 라이브러리 비교 https://velog.io/@tobigs-recsys/RecommenderSystemLibraries
[27][논문 리뷰] BPR: Bayesian Personalized Ranking from Implicit ... https://killerwhale0917.tistory.com/27
[28] Group attention for collaborative filtering with sequential ... https://www.nature.com/articles/s41598-025-94256-y
[29] Self-training on graph neural networks for recommendation ... https://www.sciencedirect.com/science/article/abs/pii/S095070512300477X
[30] Incorporating a Triple Graph Neural Network with Multiple ... https://dl.acm.org/doi/10.1145/3580517
[31] Beyond-accuracy: a review on diversity, serendipity, and ... https://pmc.ncbi.nlm.nih.gov/articles/PMC10762851/
[32] Unbiased Recommender Learning from Implicit Feedback ... https://openreview.net/forum?id=0E5rZOGA13
[33] How does collaborative filtering solve the cold-start problem? https://milvus.io/ai-quick-reference/how-does-collaborative-filtering-solve-the-coldstart-problem
[34] How to solve the cold start problem of recommendation ... https://www.tencentcloud.com/techpedia/112123
[35] A keyword-aware recommender system using implicit ... https://www.sciencedirect.com/science/article/abs/pii/S0743731517303398
[36] Active learning algorithm for alleviating the user cold start ... https://www.nature.com/articles/s41598-025-09708-2
[37] Enhancing robustness in implicit feedback recommender ... https://www.sciencedirect.com/science/article/abs/pii/S0306457324003212
[38] Denoising Implicit Feedback for Recommendation https://dl.acm.org/doi/10.1145/3437963.3441800
[39] Coactive Learning for Large Language Models using ... https://openreview.net/forum?id=Q7cwVnRWAs
[40] Coactive Learning for Large Language Models using Implicit ... https://proceedings.mlr.press/v235/tucker24a.html
[41] Reinforcement Learning from Human Feedback (RLHF) ... https://intuitionlabs.ai/articles/reinforcement-learning-human-feedback
[42] RLHF Fine-Tuning of LLMs for Alignment with Implicit User ... https://arxiv.org/abs/2508.05289
[43] Coactive learning for large language models using implicit ... https://dl.acm.org/doi/10.5555/3692070.3694064
[44][2009.06211] Implicit Graph Neural Networks https://arxiv.org/abs/2009.06211
[45] Implicit Graph Neural Networks https://proceedings.neurips.cc/paper/2020/file/8b5c8441a8ff8e151b191c53c1842a38-Paper.pdf
[46] Uncertainty in Repeated Implicit Feedback as a Measure of ... https://arxiv.org/pdf/2505.02492.pdf
[47][Recommender System / Paper review] #31 Denoising Implicit ... https://steady-programming.tistory.com/73
[48] Bayesian Local Differential Privacy for Implicit Feedback ... https://www.sciltp.com/journals/jmlis/articles/2510001891
[49] Inside Spotify's Recommendation System: A Complete ... https://www.music-tomorrow.com/blog/how-spotify-recommendation-system-works-complete-guide
[50] A Serendipitous Recommendation System Considering ... https://arxiv.org/html/2504.06633v1
[51] Beyond-accuracy: a review on diversity, serendipity, and ... https://www.frontiersin.org/journals/big-data/articles/10.3389/fdata.2023.1251072/full
[52] Serendipity in Recommender Systems: A Systematic ... https://jcst.ict.ac.cn/fileup/1000-9000/PDF/2021-2-13-0135.pdf
[53] A recommender system based on implicit feedback for ... https://www.sciencedirect.com/science/article/abs/pii/S0020025518305930
[54] Recommender Systems From Implicit Feedback Using ... https://towardsdatascience.com/recommender-systems-from-implicit-feedback-using-tensorflow-recommenders-8ba36a976c57/
[55] Beyond Explicit and Implicit: How Users Provide Feedback ... https://arxiv.org/html/2502.09869v1
[56][ML] 추천시스템 평가 데이터 구성 방법: Leave-One-Out ... https://cherie-ssom.tistory.com/28
[57] Implicit Feedback for Recommender Systems https://cs.fit.edu/~pkc/apweb/related/oard-aaaiWS98.pdf
[58] 적합성 피드백 - 네이버 블로그 https://blog.naver.com/ezmeta/10124019858
[59] ReCRec: Reasoning the Causes of Implicit Feedback for ... https://dl.acm.org/doi/10.1145/3672275
[60] 암시적 피드백을 다루는 협업 필터링 기반 추천 방법들의 ... https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE10536741
[61] Collaborative Filtering based Recommender Systems for ... https://blog.reachsumit.com/posts/2022/09/explicit-implicit-cf/
[62] Recommender system improvement cases through implicit ... https://ieeexplore.ieee.org/document/8190999/
[63] Recommender System for Implicit Feedback https://www.kaggle.com/code/rsadiq/recommender-system-for-implicit-feedback
[64] Collaborative Filtering with Graph-based Implicit Feedback https://arxiv.org/pdf/1803.03502.pdf
[65] An Overview of Collaborative Filtering Algorithms for Implicit ... http://andbloch.github.io/An-Overview-of-Collaborative-Filtering-Algorithms/
[66] Machine Learning for Recommender Systems Under ... https://thesai.org/Downloads/Volume16No9/Paper_54-Machine_Learning_for_Recommender_Systems.pdf
[67] Beyond Explicit and Implicit: How Users Provide Feedback ... https://dl.acm.org/doi/abs/10.1145/3706598.3713241
[68] Recommender System Deep Learning https://www.kaggle.com/code/taruntiwarihp/recommender-system-deep-learning
[69] Full article: Data augmentation to enhance session-based ... https://www.tandfonline.com/doi/full/10.1080/18824889.2025.2547442
[70] Recommendation systems in e-commerce applications ... https://arxiv.org/pdf/2506.17287.pdf
[71] Implicit Feedback - an overview https://www.sciencedirect.com/topics/engineering/implicit-feedback
[72] A comparative study of various recommendation algorithms ... https://www.sciencedirect.com/science/article/abs/pii/S1567422324001066
[73] Implicit Feedback Systems: Research Trends and ... https://www.linkedin.com/advice/1/what-current-research-trends-challenges-implicit
[74] G-UBS: Towards Robust Understanding of Implicit ... https://arxiv.org/html/2508.05709v1
[75] Cross-platform Recommendation for Social E-Commerce https://fi.ee.tsinghua.edu.cn/~gaochen/papers/SIGIR2019-Cross.pdf
[76] Aligning Humans and Robots via Reinforcement Learning ... https://arxiv.org/abs/2507.13171
[77] Aligning Large Language Models with Implicit Preferences ... https://aclanthology.org/2025.acl-long.384.pdf
[78] RLHF 외에 LLM이 피드백을 학습할 수 있는 방법은 무엇이 ... https://blog.scatterlab.co.kr/alt-rlhf
[79] Implicit vs Unfolded Graph Neural Networks https://www.jmlr.org/papers/volume26/22-0459/22-0459.pdf
[80] Interpreting Learned Feedback Patterns in Large ... https://proceedings.neurips.cc/paper_files/paper/2024/file/403bf224290de69c7d5dc856f5a99d9e-Paper-Conference.pdf
[81] Illustrating Reinforcement Learning from Human Feedback ... https://huggingface.co/blog/rlhf
[82] Optimization of Graph Neural Networks: Implicit Acceleration ... http://proceedings.mlr.press/v139/xu21k/xu21k.pdf
[83] Interactive Learning with Implicit Human Feedback https://icml.cc/virtual/2023/workshop/21477
[84] Seminar - 고려대학교 DMQA 연구실 https://dmqa.korea.ac.kr/activity/seminar/488
[85] Improving Large Language Model Responses Using ... https://www.tdcommons.org/cgi/viewcontent.cgi?article=9998&context=dpubs_series
[86] Exploratory Preference Optimization: Harnessing Implicit Q https://openreview.net/forum?id=QYigQ6gXNw
[87][논문 퀵 리뷰] Fast Matrix Factorization for Online ... https://liner.com/ko/review/fast-matrix-factorization-for-online-recommendation-with-implicit-feedback
[88] beating the cold start and noisy implicit user feedback https://ceur-ws.org/Vol-872/tvm2p2012_paper_2.pdf
[89] Serendipity adjustable application recommendation via ... https://www.sciencedirect.com/science/article/abs/pii/S1567422320300946
[90] Recommendation Systems: Dealing with Implicit Feedback ... http://www.jaist.ac.jp/~bao/DS2017/recommendation-BHHung.pdf
[91] Survey on the Objectives of Recommender Systems https://dl.acm.org/doi/10.1145/3527449
[92] Solving the Cold Start Problem on One's Own as an End ... https://openreview.net/forum?id=Sgj0ZdoVWH