추천 시스템 연구 동향과 활용 및 성능 향상을 위한 데이터 확장 = Recommender System Research Trends and Data Expansion for Utilization and Performance Improvement

국문 초록 (Abstract)

본 논문은 정보 과부하 환경에서 핵심 기술인 추천 시스템과 그 성능을 결정하는 결측치 추정 및 데이터 확장 연구 동향을 통합적으로 분석한다. 추천 시스템은 전통적인 행렬 분해에서 비선형적 관계 학습이 가능한 딥러닝 기반 모델로 진화해 왔으며, 데이터 희소성으로 인한 결측치 추정 문제와 직결된다. 본 연구는 데이터 확장이 예측 정확도 향상뿐 아니라 시스템의 주요 문제 해결에 필수적이다. 특히, 결측치 추정을 포함한 그래프 기반 확장 및 노이즈 주입 전략을 통해 학습 데이터의 밀도를 높이고 모델의 강건성을 확보한다. 궁극적으로, 이러한 데이터 확장 기술은 신규 아이템에 대한 정보 부족 문제인 콜드 스타트를 완화하고, 풍부하게 추출된 속성 정보를 활용하여 추천의 설명 가능성을 보장하는 핵심 자원이 된다. 결론적으로, 데이터 확장 기법은 추천 시스템의 성능 향상을 위한 필수적인 요소이며, 차세대 추천 시스템 개발에 기여할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This paper comprehensively analyzes research trends in missing value estimation and data augmentation, key technologies in recommender systems and their performance in information-overload environments. Recommender systems have evolved from traditional matrix factorization to deep learning-based models capable of nonlinear relationship learning, and this is directly related to the problem of missing value estimation due to data sparsity. This study demonstrates that data augmentation is essential not only for improving prediction accuracy but also for solving key system problems. Specifically, graph-based augmentation and noise injection strategies, including missing value estimation, are used to increase training data density and secure model robustness. Ultimately, these data augmentation techniques alleviate the problem of cold start, which is a lack of information about new items, and leverage richly extracted attribute information to ensure explainability of recommendations. In conclusion, data augmentation techniques are essential for improving recommender system performance and are expected to contribute to the development of next-generation recommender systems.