논문 리뷰
1.<논문 리뷰> Unbiased Recommender Learning from Missing-Not-At-Random Implicit Feedback (WSDM 2020)
Positive-Unlabeled 문제와 기존 연구의 한계 Positive-Unlabeled 문제는 클릭되지 않은 데이터가 "Negative"인지 "Unlabeled"인지 명확히 구분할 수 없는 문제를 말합니다. 이전 연구들은 이 문제를 해결하기 위해 다음과 같은
2.<논문 리뷰> Towards Conversational Recommender Systems (KDD 2016)
이 논문은 대화형 추천 시스템을 제안하며, 사용자의 선호를 대화를 통해 학습하고 추천하는 방식을 탐구합니다. 레스토랑 추천 사례를 통해 확률적 행렬 분해 기반 모델을 설계하고, 사용자 피드백(절대적/상대적 질문)과 오프라인 초기화를 활용해 성능을 평가합니다.
3.<Survey Paper 리뷰> A Survey on Conversational Recommender Systems
CRS의 전반적인 동향을 파악하기 위해 해당 Paper를 읽게 되었습니다. CRS가 기존 추천 시스템과 어떻게 다른가? CRS에서 활용되는 주요 기술과 연구 접근법은 무엇인가? 현재 CRS의 한계와 앞으로의 연구 방향은 무엇인가? 에 집중하여 공부하였습니다.
4.<논문 리뷰> Large Language Models are Zero-Shot Rankers for Recommender Systems (ECIR 2024)
본 논문은 대형 언어 모델(LLMs, Large Language Models)이 추천 시스템의 제로샷 랭킹(zero-shot ranking) 모델로 얼마나 효과적인지 탐구합니다.
5.<논문 리뷰> SAPIENT: Mastering Multi-turn Conversational Recommendation with Strategic Planning and Monte Carlo Tree Search (NeurIPS 2024)
본 논문은 사용자와의 대화를 통한 추천(MCR) 문제를 MDP로 공식화하고, MCTS 기반 탐색으로 장기 보상을 극대화해 최적 대화 정책을 학습하는 SAPIENT 프레임워크를 제안한다.
6.<논문 리뷰> HutCRS: Hierarchical User-Interest Tracking for Conversational Recommender System (EMNLP 2023)
(1) 2단계 대화(Aspect → Attribute) 구조 (2) Hierarchical-Interest Policy Learning(HIPL) 모듈 (3) 속성 단위 피드백 분류 (4) 단기·장기 선호를 결합한 그래프 임베딩 (5) 다단계 멀티어텐션
7.AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems (WWW 2024)
AgentCF는 사용자 구매 이력을 기반으로 사용자/아이템을 각각 에이전트로 생성하고, 각자의 메모리를 초기화합니다. 사용자 및 아이템 에이전트를 협력적으로 최적화하고, 협업 반성 메커니즘을 설계하여 양측의 메모리를 상호 업데이트합니다.