[참석후기]

 본 학회에서는 네이버의 다양한 서비스에 적용된 연구들과 진행중인 연구들에 대한 발표가 이루어졌다. 특히 추천시스템에 대해서 흥미로운 연구가 많았다. 포스트세션을 이용해서 발표자와 얘기를 주고받을 수 있었는데, 연구자로써의 열정과 자신의 연구에 대한 애정이 느껴졌다. 네이버의 Talent Relationship 담당자와도 얘기를 나눌 수 있었으며, 연구자들과의 지속적인 관계를 중요시하는 점이 인상깊었다.

 

 

[청취후기]

1. 딥러닝을 이용한 오디오기반 음악추천(KAIST 남주한 교수​)

 음악의 오디오 정보를 추천시스템에 활용하는 두 가지 연구에
대한 발표다. 첫 번째 연구는 오디오 정보로 비슷한 음악을 찾는 방법에 대한 것이었다. 한 아티스트는 자신만의 특정 음악 세계가 있다는 가정 하에 오디오로부터 아티스트를 구별해 낼 수 있는 모델을
고안하였다. 이 때 너무 많은 아티스트 수 때문에 발생하는 문제 때문에 연구팀은 Siamese Network를 통해 One-shot Learning 접근법을
활용하였다. 그 결과 오디오 정보만으로 한 아티스트와 유사한 아티스트를 추천할 수 있다. 이 방식이 네이버 VIBE의 ‘위클리 취향저격’ 이라는 기능으로
구현되어있다고 한다. 두 번째 연구는 Zero-shot
learning을 통해 음악을 표현하는 단어를 20~30개 정도의 장르와 무드 단어에서
벗어나 일상의 단어들로 확장시키고자 한 시도이다. 이를 위해서 장르 별로 사용되는 악기에 대한 추가적인
정보가 필요한데, 이 악기유무 정보에 대해 각 장르를 멀티핫 벡터로 표현한다. 이 멀티핫 벡터 공간을 Siamese Network를 통해 오디오의
임베딩공간에 매핑한다. 이렇게 함으로써 음악을 오디오 정보를 통해 장르와 매칭하고, 워드임베딩을 이용해 임의의 단어와 장르 단어와의 관계를 알 수 있게 된다. 그
결과, 사용자가 입력한 임의의 단어에 대해 그에 어울리는 음악을 추천하는 것이다.



 이 발표의 두 번째 주제는 워드임베딩을 이용해 어울리는
음악을 추천한다는 점에서 내가 텍스트마이닝 수업의 팀프로젝트로 진행 중인 주제와 매우 유사했다. 나는
노래 가사의 주제를 벡터화하여 임의의 단어와 유사한 주제의 음악을 추천하려 하며, 이에 대해 발표자에게
질문하였을 때 긍정적인 답변을 하였다. 나와 유사한 접근법을 사용한 이 연구 발표를 통해 기존의 내
아이디어를 더 구체화하고 차별화할 방법에 대해 힌트를 얻게 되었다.

 

2. Smart Around(NAVER 김재균)

 Smart Around는 사용자가 이 순간 가장 가볼만한 곳을 추천해주는 네이버의
서비스다. 이 서비스에서 중요하게 생각한 것은 사용자의 매 순간 변화하는 의도를 파악해야 한다는 것이었다. 사용자가 방문한 장소 페이지를 하나의 시퀀스로 생각하고 해당 페이지에서의 체류시간 등의 정보를 함께 LSTM에 인풋으로 사용, 제일 마지막에 방문한 페이지의 장소를 예측하게
하였다. 그 결과, 사용자가 방문하는 페이지들을 통해 사용자의
숨은 의도를 찾아내는 일종의 스무고개 게임과 같은 추천시스템을 구현하였다. 사용자의 숨은 의도를 찾아내는
방법에 대한 깊은 고민을 엿볼 수 있었으며, 체류시간과 같은 묵시적 피드백이 이에 매우 유용한 정보가
될 수 있다는 점에 대해 생각해볼 수 있었다.