더 정확하게, 더 안전하게 차세대 추천 AI 기술 개발 | UNIST 인공지능대학원 이연창 교수

UNIST 인공지능대학원 이연창 교수 연구팀이 추천 시스템의 정확도와 신뢰성을 각각 다른 각도에서 다룬 두 편의 연구를 국제 학회에 나란히 올렸습니다.

1️⃣ Multi-TAP: 세부 취향까지 읽는 교차 도메인 추천 (ACM SIGKDD 2026)
같은 전자제품이라도 컴퓨터를 살 때와 홈 오디오를 살 때 소비자의 태도는 달라집니다. 컴퓨터는 비싸고 평점 좋은 제품을, 홈 오디오는 저렴하고 인기 있는 제품을 고르는 식입니다. 멀티탭(Multi-TAP)은 이런 세부 상품군별 구매 성향 차이를 대형언어모델(LLM)로 문장화하고, 기존 추천 알고리즘 라이트GCN(LightGCN)과 결합해 사용자의 '멀티 페르소나'를 구분해냅니다. 아마존 데이터 실험에서 기존 최고 기술 대비 추천 정확도를 최대 36.3% 향상시켰습니다.
📃관련 논문: https://dl.acm.org/doi/10.1145/3770855.3818138

2️⃣ EchoTrace: LLM 추천 시스템의 숨은 위험을 진단하다 (CIKM 2026)
LLM이 추천 시스템에 깊이 관여할수록, 편향과 환각(hallucination) 같은 위험이 반복되는 피드백 루프 속에서 누적되고 증폭될 수 있습니다. 에코트레이스(EchoTrace)는 LLM이 생성한 콘텐츠 단계, 추천 결과 단계, 피드백 루프 단계로 나누어 이러한 위험이 어떻게 발생하고 커지는지 추적하는 진단 프레임워크입니다. 실험 결과 LLM 기반 추천 시스템은 인기 편향을 반복적으로 강화하고, 존재하지 않는 항목을 추천하는 환각 현상을 일으키며, 시간이 지날수록 사용자 집단이 점점 더 뚜렷하게 갈라지는 양극화 경향까지 보였습니다.
📃관련 논문: https://arxiv.org/html/2602.07442v2

⏱️Timeline
00:00 인트로
00:45 Multi-TAP 기술은 어떤 기술이며, 기존 추천 시스템과의 차별점
02:07 Multi-TAP 개발은 어떤 문제의식에서 시작하게 되셨는지
02:57 실생활에 적용된다면 소비자는 어떤 변화를 체감할 수 있을까요
03:39 추천 과정에서 발생할 수 있는 문제점
04:23 EchoTrace의 개발 배경
05:41 두 연구가 어떻게보면 서로 다른 방향을 바라보는 연구라고 볼 수도 있는 건가요?
06:38 연구자로서 가지고 계신 비전이나 목표