1. 기술의 개념 본 과제에서는 다양한 스마트 미디어 서비스로부터 발생하는 사용자 및 미디어 콘텐츠에 관련한 다양한 유형의 암시적 정보들을 분석하여 실시간으로 각 사용자의 상황 및 취향을 인지하여 적합한 스마트 미디어 서비스, 더 나아가 미디어 콘텐츠를 예측하여 추천해주는 것을 목표 스마트 미디어 도메인에서의 성공적인 추천 서비스를 위해서는 다음과 같은 근본적인 기술적 한계들(challenges)을 종합적으로 극복할 수 있는 미디어 콘텐츠 추천 기술을 개발- 데이터 희소성(data sparsity) 문제 - 새로운 미디어 콘텐츠 추천 문제 - 단일-클래스 협업 필터링(one-class collaborative filtering) 문제 2. 기술 특징 사용자 취향 및 감성을 고려하는 콘텐츠 추천 기술 콘텐츠들 간 경쟁 관계를 고려하는 콘텐츠 추천 기술 멀티미디어를 활용하는 새로운 콘텐츠 추천 기술 인과관계 모델링 및 리뷰/줄거리 분석 기반 설명 가능한 콘텐츠 추천 기술 III. 국내외 기술 동향 및 경쟁력 1. 국내 기술 동향 한양대학교(신청기관)는 사용자별 비관심 선호도의 개념을 이용하여 추천 시스템 분야의 데이터 희소성 문제를 완화하는 zero-injection(2016), gOCCF(2018), CFGAN(2018), TVshow(2019), AR-CF(2020), DIVINE(2022) 등의 기술들 개발서울대학교는 개인의 선호도와 모든 사용자들의 선호도를 조합하여 미디어 상품을 추천하 는 기술 개발(2021) 고려대학교는 self-attention을 이용하여 데이터의 여러 가지 특징들 중 핵심적인 특징들 을 찾아내 추천에 활용하는 기술 개발(2019) 성균관대학교는 사용자 별 콘텐츠 이용 순서를 고려하는 추천 기술 개발(2020) 포항공과대학교는 지식 증류(knowledge distillation) 기반의 추천 기술 개발(2020) 2. 국외 기술 동향 Microsoft Research Asia에서는 추천의 신뢰도를 높이기 위해 강화학습을 이용한 설명 가능한 추천 기술 개발(2018) PennState University는 행렬 분해 기반의 추천 알고리즘 최적화 및 특정 사용자의 정보 에 편향되지 않도록 학습하는 추천 기술 개발(2021) Georgia Tech는 데이터 희소성 문제를 해결하기 위해 인공 신경망 기반 추천 알고리즘 의 데이터 증강 기술 개발(2021) George Mason University는 사용자 감정 데이터를 학습하는 추천 기술을 개발