mainLab. 연구실 (지도교수: 김재광) 논문이 우수 국제학술대회 20th ACM Conference on Recommender Systems (Recsys 2026) main track (short paper) 1편 게재 승인되었습니다. 논문들은 26년 9월 미국 미니애폴리스 발표될 예정입니다. Recsys는 매년 20%이하의 채택율을 유지하는 추천 시스템 분야의 최고 권위 학술대회이며 올해도 main track의 채택율은 18%였습니다.

 "Fusion of Category and Temporal Contexts for Next POI Recommendation" 논문은 mainLab. 졸업생 장소영 (데이터사이언스융합학과 석사졸업, SOCAR 연구원)이 주저자로 참여하였고, 김재광 교수가 교신저자로 참여하였습니다.

이 논문은 다음 방문 장소(Next POI) 추천에서, 기존 순차 추천 모델이 주로 학습하는 “방문 순서”만으로는 사용자의 의도 기반 이동(예: 식사 후 카페)을 충분히 설명하기 어렵다는 문제의식을 가지고 POI를 단순 “아이템”으로만 보지 않고, 카테고리(의미 정보) 와 시간적 맥락(요일/시간대/방문 간격 등)까지도 함께 사용하면 예측 성능을 높일 수 있다는 아이디어를 제안합니다. 그리고 이 아이디어를 검증하기 위해 기존 백본(SASRec, GRU4Rec, BERT4Rec, BSARec)에 모듈처럼 끼워 넣는 게이트드 융합 프레임워크를 제안합니다. 특히 매 시점마다 아이템 임베딩, 카테고리 임베딩, 시간 임베딩의 기여도를 동적으로 조절하는기능을 통해 카테고리 신호가 희소/이질적일 때 “덜 확신하는” 보수적 혼합을 가능하게 합니다. 또한 카테고리와 시간 정보를 3자 경쟁적 softmax로 함께 섞는 확장도 제시합니다.

 제안 방법을 Foursquare NYC/TKY, Yelp에서 다양한 백본 조합으로 실험한 결과, 제안한 게이팅 기반 융합이 전반적으로 성능을 올렸고, 게이트 값 분석을 통해 언제 어떤 맥락을 더 쓰는지(예: 요일·카테고리 빈도에 따른 변화)까지 해석을 보였습니다.