추천 시스템에서의 얽힘 해소와 해석 가능성

• •RecSys Challenge 2018 참여를 통한 실전 추천 시스템 연구 입문
• •Feature Engineering에서 자동화된 Representation Learning으로의 패러다임 전환
• •데이터의 본질적 특징을 벡터 형태로 추출하는 잠재 공간 학습의 중요성

• •잠재 공간 내 독립적인 요인 분리를 통한 모델 투명성 확보
• •특정 속성 변화가 다른 속성에 영향을 주지 않는 불변성(Invariance) 강조
• •사용자 선호도의 다양한 측면을 개별적으로 파악하기 위한 핵심 기법

Disentanglement는 생성 모델(VAE 등)에서 주로 다루어지던 개념으로 최근 추천 시스템의 해석력을 높이기 위해 도입되고 있다.

• •Disentanglement 평가를 위한 정성적 분석에서 정량적 분석으로의 전환
• •하이퍼파라미터 및 데이터 스플릿 정보 부재로 인한 재현성(Reproducibility) 문제 확인
• •다양한 모델과 데이터셋을 아우르는 포괄적인 상관관계 분석 실시

• •Disentanglement와 모델 해석력 지표 간의 유의미한 양의 상관관계 입증
• •추천 정확도 성능과 Disentanglement 사이의 불명확한 상관관계 확인
• •해석 가능성 향상을 위한 Regularization이 성능에 미치는 영향 확인

LIME과 SHAP은 복잡한 머신러닝 모델의 예측 결과를 설명하기 위해 널리 사용되는 사후 해석(Post-hoc) 도구이다.

• •Implicit Data에 포함된 노이즈를 제거하여 학습 데이터 품질 개선
• •LLM의 추론 능력을 활용한 사용자 프로필 Denoising 프레임워크 제안
• •데이터 정제를 통한 추천 모델의 전반적인 신뢰도 및 성능 향상 도모