챕터별 상세
00:00
추천 시스템 연구 배경 및 Representation Learning의 진화
Ervin Dervishaj는 밀라노 공과대학교 석사 과정 중 RecSys Challenge 2018 참여를 계기로 추천 시스템 연구를 시작했다. 과거에는 사람이 직접 특징을 설계하는 Feature Engineering이 주를 이루었으나 현재는 모델이 데이터에서 스스로 특징을 추출하는 Representation Learning이 핵심이다. 이는 고차원 데이터를 저차원 벡터로 변환하여 모델이 의사결정을 내릴 수 있는 잠재 공간을 학습하는 과정이다.
08:10
Disentanglement의 개념과 추천 시스템에서의 역할
Disentanglement는 학습된 벡터 공간에서 서로 다른 요인들이 독립적으로 분리되어 표현되는 상태를 의미한다. 예를 들어 티셔츠 추천 시 사이즈와 가격이라는 속성이 잠재 공간에서 서로 얽히지 않고 독립적인 축으로 존재해야 한다. 특정 속성을 변경했을 때 다른 속성에 영향을 주지 않는 독립성이 보장되어야 모델의 동작을 명확히 이해할 수 있다.
Disentanglement는 생성 모델(VAE 등)에서 주로 다루어지던 개념으로 최근 추천 시스템의 해석력을 높이기 위해 도입되고 있다.
12:10
연구 방법론 및 기존 연구의 재현성 검증
기존 연구들이 Disentanglement를 주로 정성적으로 평가하던 한계를 극복하기 위해 정량적 지표를 도입하여 분석을 수행했다. 이전 논문들의 결과를 재현하는 과정에서 하이퍼파라미터 설정이나 데이터 분할 방식에 대한 정보가 누락되어 동일한 수치를 얻는 데 어려움을 겪었다. 연구팀은 다양한 데이터셋과 모델을 대상으로 Disentanglement 지표와 해석 가능성 지표 간의 상관관계를 측정했다.
18:00
해석 가능성과 추천 성능 간의 상관관계 분석 결과
분석 결과 Disentanglement 지표와 LIME, SHAP 등을 활용한 해석 가능성 지표 사이에는 강한 양의 상관관계가 확인됐다. 반면 추천 정확도 성능(Accuracy)과는 일관된 상관관계가 나타나지 않았으며 이는 Disentanglement가 모델에 일종의 제약(Regularization)으로 작용하기 때문이다. 즉 해석력을 높이기 위해 모델의 자유도를 제한하면서 성능이 일부 희생될 수 있는 트레이드오프가 존재한다.
LIME과 SHAP은 복잡한 머신러닝 모델의 예측 결과를 설명하기 위해 널리 사용되는 사후 해석(Post-hoc) 도구이다.
26:00
LLM을 활용한 사용자 프로필 데이터 정제 기법
사용자의 클릭이나 구매 이력에는 실제 선호도가 반영되지 않은 노이즈 데이터가 포함되어 추천 성능을 저하시킨다. LLM을 활용하여 사용자의 과거 상호작용 기록 중 노이즈로 판단되는 항목을 식별하고 제거하는 Denoising 연구를 진행했다. LLM은 텍스트 기반의 맥락 이해 능력을 바탕으로 사용자의 일관된 선호도에서 벗어난 이상치를 찾아내는 데 효과적이다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 03. 10.수집 2026. 03. 10.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
